1. TensorFlow
TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，表达了高层次的机器学习计算，大幅简化了第一代系统，并且具备更好的灵活性和可延展性。
TensorFlow一大亮点是支持异构设备分布式计算，它能够在各个平台上自动运行模型，从电话、单个CPU / GPU到成百上千GPU卡组成的分布式系统。
TensorFlow支持CNN、RNN和LSTM算法，这都是目前在Image，Speech和NLP最流行的深度神经网络模型。
2015年11月5日，Google开源了TensorFlow，按他们自己的说法，tensorflow会“成为机器学习界的安卓”。所以无论如何，这也表达了TensorFlow强大的性能以及应用的广泛性。无论如何，TensorFlow的开源对于学术界以及工业界，都是非常有价值的。
今天，我们就尝试在Ubuntu16.04+GTX1080上配置和使用这个强大的深度学习工具：TensorFlow。
2. 配置
Ubuntu16.04
GTX1080
CUDA8.0
cudnn5.1
TensorFlow
3. 安装
由于电脑的显卡以及CUDA8.0已经配置好，在此不再赘述，可以参考本人的第一篇文章。
3.1 cudnn
TensorFlow需要用到cudnn，cudnn是NVIDIA开发的用于深度神经网络的GPU加速库。下载地址
这里我们下载的是:Download cuDNN v5.1 (August 10, 2016), for CUDA 8.0，因为我们的显卡是GTX1080以及CUDA8.0，你也可以根据你的显卡来选择你需要的版本。
下载完后解压：
cp cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgz
tar -xvf cudnn-8.0-linux-x64-v5.1.tgz- 1
- 2
以下的操作需要管理员权限。
复制头文件：
cd cuda/include
sudo cp cudnn.h /usr/local/cuda-8.0/include- 1
- 2
再将lib64目录下的动态文件进行复制和链接：
cp lib* /usr/local/cuda/lib64/ #复制动态链接库
cd /usr/local/cuda/lib64/
rm -rf libcudnn.so libcudnn.so.5 #删除原有动态文件
ln -s libcudnn.so.5.0.5 libcudnn.so.5
ln -s libcudnn.so.5 libcudnn.so- 1
- 2
- 3
- 4
- 5
然后设置环境变量和动态链接库，在命令行输入：
gedit /etc/profile- 1
在打开的文件末尾加入：
export PATH = /usr/local/cuda8.0/bin:$PATH- 1
保存之后，创建链接文件：
vim /etc/ld.so.conf.d/cuda.conf- 1
按下键盘i进行编辑，输入链接库位置：
/usr/local/cuda/lib64- 1
然后保存退出，并在终端输入：
ldconfig- 1
3.2 TensorFLow
TensorFlow的安装在官网介绍的很详细。
一共提供了四种安装方式：
- Virtualenv installation
- Anaconda installation
- Docker installation
- Installing from sources
应为本机一直使用的是Anaconda，使用起来比较方便，在这四种安装方式中相比起来也比较简单，因此选择了Anaconda installation，你也可以根据你的喜好和个人情况来选择安装。
创建tensorflow的conda环境：
conda create -n tensorflow python=2.7- 1
使用刚刚创建的tensorflow环境：
source activate tensorflow
(tensorflow)$ # Your prompt should change- 1
- 2
如果使用CPU版本：
# Linux/Mac OS X, Python 2.7/3.4/3.5, CPU only:
(tensorflow)$ conda install -c conda-forge tensorflow- 1
- 2
我们使用的是Linux64bit，Python2.7的GPU版本，输入：
# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7
# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Installing from sources" below.
(tensorflow)$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-0.12.0rc0-cp27-none-linux_x86_64.whl- 1
- 2
- 3
安装：
# Python 2
(tensorflow)$ pip install --ignore-installed --upgrade $TF_BINARY_URL- 1
- 2
当你使用完TensorFlow时，关闭tensorflow环境：
(tensorflow)$ source deactivate
$ # Your prompt should change back- 1
- 2
你可以通过命令行来测试是否安装成功：
$ python
...
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
然后你可以使用TensorFlow来训练模型：
$ cd tensorflow/models/image/mnist
$ python convolutional.py
Successfully downloaded train-images-idx3-ubyte.gz 9912422 bytes.
Successfully downloaded train-labels-idx1-ubyte.gz 28881 bytes.
Successfully downloaded t10k-images-idx3-ubyte.gz 1648877 bytes.
Successfully downloaded t10k-labels-idx1-ubyte.gz 4542 bytes.
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
Initialized!
Epoch 0.00
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%
Epoch 0.12
Minibatch loss: 3.285, learning rate: 0.010000
Minibatch error: 6.2%
Validation error: 7.0%
...
...- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
如果你的输出结果如上所示，则代表安装是正确的。
如果安装不成功，还有另外一种方式。
去下载地址，在下面的Installation中选择Linux GPU: Python 2进行下载，你也可以根据你的系统、Python的版本以及GPU或者CPU选择相应的进行下载。下载完以后，将下载好的tensorflow_gpu-0.12.0rc0-cp27-none-linux_x86_64 .whl文件放到你的anaconda2/lib/python2.7/site-packages/ 里面，然后打开终端：
pip install
tensorflow_gpu-0.12.0rc0-cp27-none-linux_x86_64 .whl- 1
- 2
也可以完成TensorFlow的安装。
4. 利用TensorFlow实现图像风格转换
第一步：neural-style下载
第二步：下载vgg19
第三步：把vgg19的mat文件放到neural-style的文件夹根目录下。
第四步：在neural-style的文件夹的路径下输入：
python neural_style.py --content ./example/1-content.jpg --styles ./example/1-style.jpg --output ./example/1-output.jpg- 1
你也可以根据你的需求，将–content后面的图片换成你想要转换的图片，–styles后换成你想要转换的风格图片，–output后改成输出的图片名称就可以了。
训练完成，来看看效果吧！
怎么样，你也来试试吧！