Ndivia DIGITS是對(duì)現(xiàn)有流行深度學(xué)習(xí)開(kāi)發(fā)框架的最高級(jí)的抽象封裝，可以輕松實(shí)現(xiàn)基于深度學(xué)習(xí)模型的圖像分類、目標(biāo)檢測(cè)、分割等任務(wù)，并以圖形界面的方式展現(xiàn)出來(lái)，這能讓訓(xùn)練和驗(yàn)證過(guò)程簡(jiǎn)單很多。所以不夠熟悉Python和命令行，還想學(xué)深度學(xué)習(xí)，幸好有Nvidia Digits這樣一款web應(yīng)用工具，可以在網(wǎng)頁(yè)上對(duì)Caffe進(jìn)行圖形化操作和可視化。
　　Nvidia對(duì)深度學(xué)習(xí)真是偏愛(ài)，竟然出了這樣一款初學(xué)者也很容易上手的工具，從這可以看出為了賣出更多的顯卡真是無(wú)所不用其極，真是希望全民會(huì)玩深度學(xué)習(xí)。

一、環(huán)境

操作系統(tǒng)：
Ubuntu 16.04
GCC/G++: 5.4.0
CUDA: 9.0.252
OpenCV: 2.4.11和3.3.1
Matlab :R2014b(a)
Python: 2.7
Digits: 6.1.0
注意：確定已安裝好cuda、caffe和pycaffe

二、下載安裝DIGITS

1.從github上克隆并下載DIGITS項(xiàng)目

git clone https://github.com/NVIDIA/DIGITS.git digits

2.編譯和安裝對(duì)應(yīng)依賴

cd digits sudo apt-get install graphviz gunicorn for req in $(cat requirements.txt); do sudo pip

pip install -r ~/digits/requirements.txt #使用Anaconda環(huán)境下的python進(jìn)行更新

三、修改load_from_envvar函數(shù)

1.打開(kāi)路徑

~/digits/digits/config/caffe.py

2.在 load_from_envvar函數(shù)中修改代碼

if platform.system() == 'Windows':executable_dir = os.path.join(value, 'install', 'bin')python_dir = os.path.join(value, 'install', 'python')else:#executable_dir = os.path.join(value, 'build', 'tools')executable_dir = '/home/cow/caffe/build/tools' #對(duì)應(yīng)用戶目錄進(jìn)行修改#python_dir = os.path.join(value, 'python')python_dir = '/home/cow/caffe/python' #對(duì)應(yīng)用戶目錄進(jìn)行修改

否則，會(huì)出現(xiàn)A valid Caffe installation was not found on your system的錯(cuò)誤提示

四、運(yùn)行digits

1.進(jìn)入digits目錄下運(yùn)行服務(wù)

/digits-devserver

2.打開(kāi)瀏覽器，輸入localhost:5000

3.所處局域網(wǎng)機(jī)子輸入http://ip地址:5000

五、運(yùn)行mnist實(shí)例

1.新建一個(gè)mnist文件夾用來(lái)保存mnist圖片

mkdir mnist

2.進(jìn)入digits目錄

cd digits

3.執(zhí)行腳本文件，用于下載mnist, cifar10 和cifar100 三類數(shù)據(jù)，并轉(zhuǎn)換成png格式圖片

python -m digits.download_data mnist ~/mnist

python -m ：使用后面指定的模塊，其實(shí)就是digits主目錄下面的digits/download_data目錄

第一個(gè)參數(shù)：mnist指定下載的數(shù)據(jù)集名稱，一般有mnist、cifar10、cifar100等。

第二個(gè)參數(shù)：是下載存放的目錄

4.在瀏覽器上運(yùn)行digits

點(diǎn)擊左邊Dataset模塊的”Image”按鈕選擇“classification”, 創(chuàng)建一個(gè)dataset

其中Training Images是剛才下載的數(shù)據(jù)集目錄，一般分train和test，train用于訓(xùn)練。

　　4.1 使用標(biāo)準(zhǔn)模型中的LeNet網(wǎng)絡(luò)模型




　　4.2 創(chuàng)建Model，參數(shù)設(shè)置如下：

　　4.3 選擇配置分類網(wǎng)絡(luò)

　　4.4查看訓(xùn)練周期準(zhǔn)確率

可以清晰地看出，一個(gè)訓(xùn)練周期準(zhǔn)確率就達(dá)到了100%，說(shuō)明這個(gè)任務(wù)還是比較簡(jiǎn)單。開(kāi)始設(shè)置了迭代30個(gè)訓(xùn)練周期

訓(xùn)練過(guò)程中，可以開(kāi)始測(cè)試了，不必等到訓(xùn)練結(jié)束

5.使用創(chuàng)建好的Model分類圖片測(cè)試手寫(xiě)體分類模型

　　5.1 頁(yè)面左邊，可以設(shè)置圖片是彩色圖片還是灰度圖片。
　　
　　5.2 如果提供的原始圖片大小不一致，還可用Resize Transformation功能轉(zhuǎn)換成一致大小

　　5.3 從頁(yè)面中間可以看出，系統(tǒng)默認(rèn)將訓(xùn)練圖片中的25%取出來(lái)作為驗(yàn)證集（for validation)

　　5.4 把用來(lái)測(cè)試的圖片，也生成lmdb, 則選上“ separate test image folder” 這個(gè)選項(xiàng)

　　5.5 全部設(shè)置好后，點(diǎn)擊”create” 按鈕，開(kāi)始生成lmdb數(shù)據(jù)

測(cè)試模型有三種選擇：

• Classify One：單幅圖像分類，可以可視化數(shù)據(jù)、權(quán)重、隱藏層輸出等
• Classify Many：多幅圖像分類，可以查看多幅圖像的分類結(jié)果統(tǒng)計(jì)信息
• Top N Predictions per Category：每類的Top N分類預(yù)測(cè)圖示

6.查看測(cè)試結(jié)果

數(shù)字“8”的預(yù)測(cè)結(jié)果

如圖顯示top-5的分類情況，DIGITS提供測(cè)試數(shù)據(jù)與權(quán)值的可視化和統(tǒng)計(jì)信息

參考博客：

DIGITS安裝和配置
https://blog.csdn.net/u012235003/article/details/54576849
Caffe學(xué)習(xí)系列(21)：caffe圖形化操作工具digits的安裝與運(yùn)行
http://www.cnblogs.com/denny402/p/5136155.html
caffe學(xué)習(xí)（6）使用digits體驗(yàn)mnist實(shí)例
http://blog.sina.com.cn/s/blog_1612bab090102xcg6.html

總結(jié)

以上是生活随笔為你收集整理的图形化操作工具DIGITS 6.1的安装与运行的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。