第0篇 Fast AI深度学习课程——搭建本地环境

接触深度学习已经接近1年，零零散散看了一些书目和教程。但真正面对实际问题时，心里还是很虚，总感觉无从下手。直到看到了一个公开教程Fast AI deep learning，才发现利用深度学习解决实际问题，并不需要多复杂的知识体系。仅需像搭积木一样把已有的轮子堆叠起来，再加上一些tricks，就能得到一个看得过去的解决方案。工程嘛，先解决有无问题，后面才是万恶之源——无穷无尽地优化。

Fast AI的课程，秉承了自上而下的教学理念，大体而言，就是先展示深度学习解决实际问题的示例，提起刚接触者的兴趣和信心，然后逐步深入，揭示深度学习的底层理论。其所采用的框架是构建在Pytorch基础上的一套API。课程的教授者是Kaggle竞赛的资深选手，课程中不乏各种trick，而且课程内容紧跟技术前沿，不少新论文中的技巧都会在课程中得到实现和验证。

该课程分上下两部分，共14节课，每节课时长2小时。教授者建议利用14周完成课程，每周除了课时外，附加投入10小时完成各种练习。这个系列的博客，将花费1~2个月，记录Fast AI深度学习课程的学习心得。下面是Fast AI的官方网站：http://www.fast.ai。课程视频位于Youtube上，请自备梯子。

相关环境搭建的必要准备：

• 一个装有显卡的机器——显卡当然越高级越好，反正赤贫的笔者在1G显存的GTX 650是跑不起来代码的。一个介绍显卡性价比的博客：如何选择GPU。
• 一个足够好的网络——环境配置中将下载Cuda、Pytorch等软件包，还有课程数据。林林总总，共需要下载几个G的东西。不要让网络问题成为入坑的第一个障碍。

Fast AI课程着重推荐了一个GPU云服务器提供商 PaperSpace，若选择上述云服务器，请忽略下述内容，并按课程指导进行环境配置。

1. 安装Anaconda

去Anaconda官方网址下载，选择python3版本。

2. 安装Cuda

去Cuda官网下载相应程序包，根据程序包的格式进行安装。 注意和显卡的兼容性。

安装后配置环境变量：在/etc/profile文件的最后添加

export PATH=/usr/local/cuda-version/bin: $PATH

export LD_LIBRARY_PATH=/usr/local/cuda-version/lib64: $LD_LIBRARY_PATH

使profile文件生效后，在命令行中输入nvcc -V，若能看到相关信息，即说明安装成功。若未成功，请参考Cuda安装踩坑指南。

3. 安装Pytorch

去Pytorch官网，选择相应的系统和软件版本，按提示的命令进行安装。

4. 克隆Fast AI的代码，并配置系统路径

git clone https://github.com/fastai/fastai.git

mkdir data

cd data

wget http://files.fast.ai/data/dogscats.zip

unzip -q dogscats.zip

cd ../fastai/courses/dl1/

ln -s ~/data ./

若要远程登录GPU服务器，需配置Jupyter Notebook：

jupyter notebook --generate-config

echo "c.NotebookApp.ip = '*'" >> ~/.jupyter/jupyter_notebook_config.py

echo "c.NotebookApp.open_browser = False" >> ~/.jupyter/jupyter_notebook_config.py

pip install ipywidgets

jupyter nbextension enable --py widgetsnbextension --sys-prefix

上述命令均是从PaperSpace的配置脚本中摘录的。

5. 启动Jupyter Notebook，补装缺失的python包

缺失的程序包主要有：

bcolz、python-opencv、graphviz、sklearn_pandas、isoweek、pandas_summary、tqdm、torchtext

缺啥装啥即可。