機器之心編輯部

　　通過這款名為 PlaidML 的工具，不論英偉達、AMD 還是英特爾顯卡都可以輕松搞定深度學習訓練了。

　　眾所周知，深度學習是因為 2010 年代英偉達 GPU 算力提升而快速發展起來的，不過如今市面上還有多種品牌的顯卡，它們同樣擁有不錯的性能，后者能不能成為 AI 模型算力的基礎呢？

　　如果答案是肯定的，那我們的筆記本電腦豈不就可以用來跑深度學習模型了，尤其是讓我們下了血本的 MacBookPro。

　　MacBookPro 在科技圈覆蓋面頗廣，質量也不錯，不能拿來做深度學習實在可惜。在選購 MacBook 的過程中，有些人會為了獨立顯卡而多花點錢，但到了做深度學習的時候卻發現這錢花得很冤枉，因為長期以來，多數機器學習模型只能通過通用 GPU 庫 CUDA 使用英偉達的 GPU。

　　但我們真的別無選擇嗎？medium 的一位博主表示，事實并非如此。一款名為 PlaidML 的深度學習框架可以破解這個困境。

　　為什么要用 GPU 做并行計算？

　　以建房子為例：如果單獨完成，你需要花費 400 個小時，但如果你雇一個建筑工人，工期就可能減半。雇傭的工人越多，你的房子建得也越快。這就是阿姆達爾定律所揭示的內容。它是一個計算機科學界的經驗法則，代表了處理器并行運算之后效率提升的能力。

　　那么為什么要用 GPU 呢？最初 GPU 并不是為深度學習專門設計的，但并行計算的本質似乎與圖形處理類似。單個 GPU 的核心雖然在性能上弱一些，但在處理大數據塊的算法上比 CPU 更高效，因為它們具有高度并行的結構，而且核的數量也非常多。由于圖形處理和深度學習在本質上的相似性，GPU 就成為了深度學習和并行計算的首選。

　　除了 CUDA 就沒得選了嗎？

　　不過要想用上 GPU 的并行能力，英偉達的 CUDA 就不可回避，這種通用并行計算庫是做深度學習所必須的。目前，之所以高性能云計算、DL 服務器都采用英偉達 GPU，主要原因還是在 CUDA。

　　如果想要充分利用筆記本的并行能力，且 N 卡又配不起，那么這篇文章介紹的 PlaidML 就非常合適了。

　　項目地址：https://github.com/plaidml/plaidml

　　PlaidML 是 Vertex.AI 2017 年開源的一款深度學習工具包。2018 年，英特爾收購了 Vertex.AI。之后 PlaidML 0.3.3 發布，開發者可以借助 Keras 在自己的 AMD 和英特爾 GPU 上完成并行深度學習任務。上個月，Vertex.AI 又發布了 PlaidML 的 0.7.0 版本。

　　PlaidML 是一種可移植的張量編譯器，可以在筆記本電腦、嵌入式設備或其他設備上進行深度學習。重要的是，它并不依賴于 CUDA，而是 OpenCL 這種開放標準。

　　OpenCL 通用并行計算開放標準并不是為 N 卡專門設計的，因此不論你的筆記本 GPU 是 AMD、 Intel，還是 NVIDIA，它都能支持。

　　很多讀者可能認為，OpenCL 的生態沒有 CUDA 成熟，可能在穩定性與開發速度上都沒那么快。但是，我們可以把復雜的底層機制都交給 PlaidML，我們只需要用就行了。

　　甚至 PlaidML 我們都不需要接觸，它已經集成到了常見的深度學習框架中，并允許用戶在任何硬件中調用它。目前 PlaidML 已經支持 Keras、ONNX 和 nGraph 等工具，直接用 Keras 建個模，MacBook 輕輕松松調用 GPU。

　　下面我們開始進入正題：如何用自己筆記本電腦的 GPU 運行一個簡單的 CNN。

　　用筆記本 GPU 運行一個神經網絡

　　安裝和設置 PlaidML 和相關組件

　　首先，我們要確保自己的筆記本電腦安裝了 Python 3 工作環境。作者建議在虛擬環境下運行以下代碼：

　　# install python3 virtualenv if you haven’t done so:

　　pip3 install virtualenv

　　# Now create and activate a virtual environment for the case

　　python3 -m venv plaidml-venv

　　source plaidml-venv/bin/activate

　　# Install PlaidML with Keras

　　pip install -U plaidml-keras

　　記住一點，標準 TensorFlow 框架下的 Keras 無法使用 PlaidML，需要安裝 PlaidML 定制的 Keras。

　　# Now setup PlaidML to use the right device

　　plaidml-setup

　　設置 PlaidML 第一步。

　　我們首先會看到一個歡迎頁面，并跳出一個問題，即是否要使用實驗性設備。根據提示，允許實驗設備會導致系統運行不佳、崩潰和其他故障。我們可以鍵入「n」或「nothing」，然后返回選擇使用默認設備。

　　設置 PlaidML 第二步。

　　現在得到了自己選擇的設備列表。以作者的電腦 Macbook Pro 15’2018 為例，設備列表如下：

　　CPU

　　英特爾 UHD Graphics 630 顯卡

　　AMD Radeon pro 560x 顯卡

　　最后，鍵入「y」或「nothing」，返回保存設置。這樣以來，我們就已安裝所有設備，并且可以使用 GPU 來運行深度學習項目了。

　　在 fashion mnist 上創建 CNN 分類器

　　首先，啟動 Jupyter Notebook。

　　Jupyter Notebook

　　然后按順序運行以下代碼，將 PlaidML 用作 Keras 后端，否則會默認使用 TensorFlow。

　　# Importing PlaidML. Make sure you follow this order

　　import plaidml.keras

　　plaidml.keras.install_backend ()

　　import os

　　os.environ["KERAS_BACKEND"] = "plaidml.keras.backend"

　　現在就可以導入包，并下載 fashion 數據集。

　　import keras

　　from keras.models import Sequential

　　from keras.layers import Dense, Dropout, Flatten

　　from keras.layers import Conv2D, MaxPooling2D

　　from keras import backend as K

　　# Download fashion dataset from Keras

　　fashion_mnist = keras.datasets.fashion_mnist

　　(x_train, y_train)， (x_test, y_test) = keras.datasets.fashion_mnist.load_data ()

　　# Reshape and normalize the data

　　x_train = x_train.astype ('float32') .reshape (60000,28,28,1) / 255

　　x_test = x_test.astype ('float32') .reshape (10000,28,28,1) / 255

　　接下來使用 Keras 的序貫模塊來創建一個簡單的 CNN，并編譯它。

　　# Build a CNN model. You should see "INFO:plaidml:Opening device xxx" after you run this chunk

　　model = keras.Sequential ()

　　model.add (keras.layers.Conv2D (filters=64, kernel_size=2, padding='same'， activation='relu'， input_shape=(28,28,1)))

　　model.add (keras.layers.MaxPooling2D (pool_size=2))

　　model.add (keras.layers.Dropout (0.3))

　　model.add (keras.layers.Conv2D (filters=32, kernel_size=2, padding='same'， activation='relu'))

　　model.add (keras.layers.MaxPooling2D (pool_size=2))

　　model.add (keras.layers.Dropout (0.3))

　　model.add (keras.layers.Flatten ())

　　model.add (keras.layers.Dense (256, activation='relu'))

　　model.add (keras.layers.Dropout (0.5))

　　model.add (keras.layers.Dense (10, activation='softmax'))

　　# Compile the model

　　model.compile (optimizer='adam',

　　loss=keras.losses.sparse_categorical_crossentropy,

　　metrics=['accuracy'])

　　現在我們擬合模型，測試一下它的準確率。

　　# Fit the model on training set

　　model.fit (x_train, y_train,

　　batch_size=64,

　　epochs=10)

　　# Evaluate the model on test set

　　score = model.evaluate (x_test, y_test, verbose=0)

　　# Print test accuracy

　　print ('\n'， 'Test accuracy:'， score[1])

　　更多結果。

　　我們訓練的卷積神經網絡模型在時尚分類任務上達到了 91% 的準確率，訓練只用了 2 分鐘！這個數字可能看起來并不驚艷，但想想 CPU 訓練要多久吧：

　　用 CPU 完成相同的任務要用 2219 秒（約 37 分鐘），MAC 風扇期間還會瘋狂輸出。

　　從以上結論中我們可以看到，借助 Macbook Pro 搭載的 GPU 進行深度學習計算要比簡單地用 CPU 快 15 倍。通過 PlaidML，使用自己的筆記本電腦訓練深度學習模型將變得更加簡單。

　　截至目前（2020 年 2 月），PlaidML 可以和各種品牌的 GPU 兼容，在使用英偉達顯卡時也無需 CUDA/cuDNN，也能達到類似的性能。

　　在 PlaidML 的 GitHub 頁面上你能看到更多的 demo 和相關項目，相信隨著這一工具的不斷發展，它可以支持的算法也會越來越多。我們在自己的筆記本上，也能快速試驗個小模型。

　　參考鏈接：https://towardsdatascience.com/deep-learning-using-gpu-on-your-macbook-c9becba7c43

總結

以上是生活随笔為你收集整理的MacBook显卡不跑AI模型太浪费：这个深度学习工具支持所有品牌GPU的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。