使用sinox2019ai进行深度学习

使用sinox2019ai进行深度学习


sinox2019ai作为领先的操作系统，自然有其非凡之处。


运行pycharm-ce可视化python集成开发工具






选择python解析器，可以是python2.5,3.5,3,6






最后选择python2.7,这要看你需要的运行环境决定。2.7和3.6的代码并不兼容、






scikit-learn简称sklearn，支持包括分类、回归、降维和聚类四大机器学习算法。还包含了特征提取、数据处理和模型评估三大模块。
多层感知机MLPRegressor 类和 MLPClassifier 类都使用参数 alpha 作为正则化( L2 正则化)系数，正则化通过惩罚大数量级的权重值以避免过拟合问题。


在外部库site-package查看sklean文件








Caffe，全称Convolutional Architecture for Fast Feature Embedding。是一种常用的深度学习框架，主要应用在视频、图像处理方面的应用上。
caffe是一个清晰，可读性高，快速的深度学习框架。






Theano是一个Python库，专门用于定义、优化、求值数学表达式，效率高，适用于多维数组。特别适合做机器学习。一般来说，使用时需要安装python和numpy.
首先回顾一下机器学习的东西，定义一个模型（函数）f(x;w) x为输入，w为模型参数，然后定义一个损失函数c(f),通过数据驱动在一堆模型函数中选择最优的函数就是训练training的过程，在机器学习中训练一般采用梯度下降法gradient descent.






Keras是一个高层神经网络API，Keras由纯Python编写而成并基Tensorflow、Theano以及CNTK后端。Keras 为支持快速实验而生，能够把你的idea迅速转换为结果，如果你有如下需求，请选择Keras：
简易和快速的原型设计（keras具有高度模块化，极简，和可扩充特性）
支持CNN和RNN，或二者的结合
无缝CPU和GPU切换






tensorflow目前未支持，是因为tensorflow是采用nvidia显卡cuda和cudnn专用并行计算架构，而nvidia只发布了windows和linux的cuda版本，sinox使用opengl进行图形并行计算，采用通用架构opencl进行并行计算。
在sinox使用opencl调用gpu的并行计算功能实现3D渲染。有人研究用Theano+OpenCL+libgpuarray实现GPU运算。从长远看nvidia提供opencl接口或者使用别的显卡进行计算都是可能的。


最后运行keras深度学习例子：手写数字识别


运行警告说没有安装g++无法优化,进入/usr/local/bin 执行ln -s g++6  g++做了g++的链接，就可以通过报警。
重新运行后速度快了很多，好像用了gpu,测试集准确率98%。








代码如下


import os
os.environ['KERAS_BACKEND']='theano'


from keras import models
from keras import  layers
from keras.datasets import mnist
from keras.utils import to_categorical




(train_images,train_labels),(test_images,test_labels)=mnist.load_data()
print(train_images.shape)


network=models.Sequential()
network.add(layers.Dense(512,activation='relu',input_shape=(28*28,)))
network.add(layers.Dense(10,activation='softmax'))


network.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])


train_images=train_images.reshape((60000,28*28))
train_images=train_images.astype('float32')/255
test_images=test_images.reshape((10000,28*28))
test_images=test_images.astype('float32')/255


train_labels=to_categorical(train_labels)
test_labels=to_categorical(test_labels)


network.fit(train_images,train_labels,epochs=5,batch_size=128)


test_loss,test_acc = network.evaluate(test_images,test_labels)
print('test_acc:',test_acc)
--------------------- 
作者：汉澳sinox-李炎 
来源：CSDN 
原文：https://blog.csdn.net/sinox2010p1/article/details/87858983 
版权声明：本文为博主原创文章，转载请附上博文链接！