neuraltalk2 在 WSL完全下入坑指南（超详细小白指导）
前言
之前尝试模仿neuraltalk2做图像识别，在此之前先试了试用别人已经训练好的模型体验图像识别。因为对Linux系统一知半解（现在想来，一知半解果然比完全不懂要糟糕），所以尝试在win10下用WSL（Windows Subsystem for Linux）即微软官方推出的win下Ubuntu（Linux系统的一个变种）子系统来安装运行。结果中途大坑小坑不断，循环找错误的过程被我玩成了递归······分析消耗时间，发现消耗时间最多的地方在一些很简单、基础的方面（比如文件夹少了一个字母，文件路径不对，不会删除文件、进入目录等等）。因此这里最中肯的建议是有一定的Linux基础在来安装这个模型。
WARNING
特别提醒：截止至2020/1/4，WSL不能联系GPU！！就算电脑有也不能！只能联系CPU！换句话说，想用GPU加深学习速度不能用WSL，可以尝试双系统或者虚拟机，不要尝试WSL子系统！（真·只能运行别人模型·体验一把·系统）官网通知：WSL
准备工作
首先要安装WSL，可以参照这篇博客：csdn博客
我本人则是使用的另外一篇：百度经验
两篇可以对照着看，安装完成后，恭喜你获得了一个纯净版Ubuntu。
注意：教程里有让改成中文版系统的，我的建议是不要改，因为出问题英文报错比中文更容易上网搜索找到解决方法
neuraltalk2模型安装使用
官方源代码+安装使用教程地址：https://github.com/karpathy/neuraltalk2
注意：该教程基于正常的Ubuntu（也就是电脑主系统就是它），应用到WSL需要安装一些默认库。同时该教程默认使用GPU加速，因此有些地方应该跳过
中文版教程：csdn博客
正式安装&踩坑脱坑步骤：
先输入指令：sudo -i，输入密码，进入root权限。在未特意提及的情况下，以下所有的步骤都在root权限下完成。root权限成功进入显示如下：
由于我们的系统版本是纯净的不能再纯净的WSL版，因此随时可能遇到在真正系统中默认安装一些库、环境、软件等等在WSL中没有的情况，其中大多数都有如下提示：
只要按照提示（apt install hello）安装即可。
值得一提的是，在Linux中，一切正常即无事发生，只有在出现问题才会给提示。作为Linux的一种，Ubuntu也是这样。
1.安装torch7
代码如下：
$ curl -s https://raw.githubusercontent.com/torch/ezinstall/master/install-deps | bash
$ git clone https://github.com/torch/distro.git ~/torch --recursive
$ cd ~/torch;
$ ./install.sh # and enter "yes" at the end to modify your bashrc
$ source ~/.bashrc
运行第一个指令的时候，可能会比较慢，且一定要在最后有以下的一句话作为结尾提示：
torch dependencies have already installed.
才代表真正的完成这些库的安装，否则就要重新安装。
在运行到第二个指令（git clone···）的时候，你会发现下载速度异乎寻常的慢，平均每秒只有几十k（当然，如果你人在国外或者有办法不限速连接GitHub，当我没说），这里提及几个可以加速下载的办法：
1.修改GitHub的host文件，具体自行百度或google
2.利用码云、coding等等国内的git仓库，以码云未例，首先注册账号，在新建仓库：
一般在一分钟内就能成功创建和git一模一样的仓库，在git clone 时只要吧git clone后面的网站改为新建的码云仓库的网址，就能快速git clone。
不过，在你尝试后，你会发现，这些办法统统没有用！下载torch仓库还是那么慢！(还有可能是因为我是校园网的缘故）原因其实很简单，torch的git仓库大量连接到其他git仓库：
所以这里最直接简单的办法就是等，亲测大概晚上开始下，早上起来就下好了，简直和秒下一样。
下完后，输入th，会出现以下界面：
该界面成功出现代表torch7安装成功，按Ctrl/Command + Z可以退出
2.安装Lua的一些相关安装包：
官方代码如下
$ luarocks install nn
$ luarocks install nngraph
$ luarocks install image
这里需要安装luarocks，因为这个模型的代码是lua和python混合写的。因此要安装luarocks（lua模块安装部署系统），因为直接安装lua是繁琐且不易的。
在安装完luarocks后，才能使用上述指令
3.安装cjson：
下载网址：https://www.kyne.com.au/~mark/software/lua-cjson.php
下载lua-cjson-2.1.0.zip (95kB)的包，下载完后，解压文件夹放在：
C:\Users\用户名\AppData\Local\Packages\CanonicalGroupLimited.UbuntuonWindows_79rhkp1fndgsc\LocalState\rootfs\root
里，该路径所指文件夹是Ubuntu的root权限下根目录，之后执行指令：
cd lua-cjson-2.1.0
luarocks make
4.安装loadcaffe：
由于WSL无法连接到GPU的缘故，因此在安装完cjson后就可以直接跳转到官网For training的步骤，安装代码如下：
sudo apt-get install libprotobuf-dev protobuf-compiler
luarocks install loadcaff
5.安装h5py和torch-hdf5：
先安装h5py（HDF5 for Python），之后才能安装torch-hdf5
- 安装h5py
官网安装指南：http://docs.h5py.org/en/latest/index.html
我本人安装的是hdf5+python-dev+libhdf5-dev三个库。
安装hdf5：
注意：在我尝试的过程中，自动安装hdf5到最后尝试许多奇怪的bug，一切原因都是因为版本不对！自动安装指令（如luarocks install hdf5）安装的hdf5版本是2.1以上的，可要求版本最好改成1.8.20
hdf5官网：HDF5
1.8.20下载网址：hdf51.8.20
下载 hdf5-1.8.20.zip的包，解压后文件夹放在root根目录下（根目录在哪上文有提及），之后执行指令
cd hdf5-1.8.20
$sudo ./configure
$sudo make
$sudo make check
$sudo make install
$sudo make check-instal
即可
- 安装torch-hdf5
官方教程：https://github.com/deepmind/torch-hdf5/blob/master/doc/usage.md
快速安装指南：
sudo apt-get install libhdf5-serial-dev hdf5-tools
git clone https://github.com/deepmind/torch-hdf5
cd torch-hdf5
luarocks make hdf5-0-0.rockspec LIBHDF5_LIBDIR="/usr/lib/x86_64-linux-gnu/"
6.模型下载和使用：
首先我们要克隆neuraltalk2：
git alone https://github.com/karpathy/neuraltalk2
完成后，在根目录下会出现neuraltalk2的文件夹
由于WSL只能使用CPU，因此我们只能使用CPU版本的模型：CPU版本
下载下来后解压文件到root/neuraltalk2/（这一步需注意！）内
在root根目录新建一个文件夹来存放要识别的图像，比如image，此时root根目录应该包含以下文件：
之后就可以正式启动模型了！！输入指令：
cd neuraltalk2
th eval.lua -model model_id1-501-1448236541.t7_cpu.t7 -image_folder /root/images/ -gpuid -
我这里只选择了十张图像，可它依旧很慢（没办法，毕竟WSL只能靠CPU）所以说，WSL其实适合在win系统下轻松体验Linux系统的操作方式，而不是用来做什么计算模型（比如图像识别）
按照之前的步骤一步一步的来且一切正常，会看到类似如下的场景：
可以看到，图像字幕已经生成了，更直观的表现方式：
全部识别完成后，输入代码：
cd vis
python -m SimpleHTTPServe
成功结果：
如果失败，可能是因为python版本的问题（检查python版本方法：输入cd，在输入python，前几段就有版本信息），上述指令只适用于python2，python3则要改指令为：python -m http.server
第一次会出现防火墙警告，点击允许通过即可，之后在浏览器地址栏里输入：
localhost:8000
即可直观看到结果，如下图所示：
预测准确率还可以，至此，成功运行模型。
总结
运行这个模型花了我三天时间，正如我最开始所说，对Linux系统的一知半解带来了很大的障碍。这种一知半解让我抱着“只要是Linux系统就可以运行neuraltalk2吧”，以至于我一开始就把目标放在GPU加速上······事实上，最优雅的解决方案就是使用双系统或者虚拟机。然而，就经验来看，WSL下运行模型和双系统运行模型别无区别，这也是这篇博客的价值体现。