Praxiseinstieg Deep Learning

Dieses Repository soll ein Praxiseinstieg in die Arbeit mit TensorFlow und Caffe/Caffe2 sein. Es enhält alle Quellcodes zu den Beispielen meines Buchs für O'Reilly Praxiseinstieg Deep Learning.

Installation

Um die Beispiele nutzen zu können, muss zu erst Git installiert werden. Nach der Installation von Git kann dieses Repository geklont werden. Am einfachsten geht dies über die Kommandozeile eines Terminalprogramms mit Hilfe von

$ cd 
$ git clone https://github.com/rawar/deeplearning.git
$ cd deepleaning

erfolgen.

Docker Container erstellen

Innerhalb des Projekverzeichnisses liegt ein Dockerfile mit dessen Hilfe sich ein Docker Container erstellen lässt, welche die gesammt Software, welche im Buch besprochen wird und alle Jupyter-Notebook-Beispiele ausführbar enthält. Damit sich ein Docker Container lokal erstellen lässt, wird je nach Betriebssystem, eine spezielle Docker Laufzeitumgebung benötigt. Mehr Informationen dazu findet sich auf der Seite von Docker.

Ist die Docker Laufzeitumgebung installiert, kann der Docker Container zum Buch mit folgenden Kommandos erstellt werden:

$ cd deepleaning
$ cd docker
$ docker build -t deeplearning .

Docker Container von Dockerhub

Eine weitere Möglichkeit an den Docker Container zum Buch zu kommen ist, sich diesen von Dockerhub herunter zu laden. Über die Kommandozeile eines Terminalfensters gelingt dies am einfachsten mit:

$ docker search rawar/deeplearning
$ docker pull rawar/deeplearning

Darüber hinaus gibt es auch grafische Benutzerschnittstellen wie Kitematic, welche die Installation vereinfachen.

Inhalt des Docker Containers

Der Docker Conatiner zum Buch installiert folgende Softwarepakete:

• Python 2.7
• IPython
• Caffe
• Caffe2
• TensorFlow 1.1.0
• Java 8
• Hadoop 2.7.3
• Spark 2.1.1
• Intel BigDL 0.3.0
• AWS CLI
• Google Cloud SDK

Drüber hinaus sind die Listings und Beispiele aus dem Buch enthalten.

Nutzung des Docker Containers

Der Docker Container zum Buch lässt sich auf verschiedene Arten nutzen. Um den Container zu starten und nutzen zu können, lässt sich über die Kommandozeile eines Terminalfensters folgender Befehl nutzen:

$ docker run -it -p 8888:8888 -p 6006:6006 deeplearning:latest bash

Ausserdem lässt sich der Docker Container auch über grafische Benutzeroberflächen wie Kitematic nutzen.

Jupyter-Notebook nutzen

Um die Anwendung Jupyter-Notebook mit dem Docker Container zu starten gibt es zwei Möglichkeiten:

• Über die Kommandozeile eines Terminalfensters kann mit Hilfe von

$ docker run -it -p 8888:8888 -p 6006:6006 rawar/deeplearning:latest ./run_jupyter.sh

direkt die Webanwendung gestartet werden. Oder man nutzt grafische Oberflächen wie Kitematic dafür.

• Man startet den Docker Container mit

$ docker run -it -p 8888:8888 -p 6006:6006 rawar/deeplearning:latest bash

und startet die Jupyter-Notebook Anwendung über die Bash mit Hilfe von

$ ./run_jupyter.sh 

Danach lässt sich die Jupyter-Notebook-Anwendung über einen Webbrowser unter http://localhost:8888 erreichen. Im Anschluss daran, findet man alle Beispiele zu den Kapiteln im Verzeichnis notebooks wieder.

TensorBoard nutzen

Um die Webanwendung TensorBoard nutzen zu können, muss diese mit Hilfe von

$ tensorboard --logdir=path/to/log-directory

gestartet werden. Danach lässt sich TensorBoard mit einem Webbrowser unter http://localhost:6006 erreichen.

Cloud-Umgebungen nutzen

Der Docker Container zum Buch enthält zwei Schnittstellen zu Cloud Anbietern. Enthalten sind dabei die AWS-Cli für die Nutzung von Amazon Web Service und Googles Cloud SDK für die Nutzung von Googles Cloud Platform.

Für die Nutzung der Kommandozeilen-Tool sind gültige Accounts nötig. Sollten diese nicht bestehen, kann man sich sowohl bei AWS als auch GCP kostenlos anmelden. Allein die Nutzung der jeweiligen Dienste kostet Geld.

Damit der Docker Container die richtigen Anmelde-Daten nutzen kann, sollten diese innerhalb der Datei .boto konfiguriert werden. Wie dies für das GCP SDK erfolgen kann, findet sich hier. Für AWS Cli findest sich ein Konfigurationsbeispiel hier.