通過這款名為 PlaidML 的工具，不論英偉達(dá)、AMD 還是英特爾顯卡都可以輕松搞定深度學(xué)習(xí)訓(xùn)練了。

[[315945]]

眾所周知，深度學(xué)習(xí)是因為 2010 年代英偉達(dá) GPU 算力提升而快速發(fā)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(chǔ)呢？

[[315946]]

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(xué)習(xí)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(zhì)量也不錯，不能拿來做深度學(xué)習(xí)實在可惜。在選購 MacBook 的過程中，有些人會為了獨(dú)立顯卡而多花點(diǎn)錢，但到了做深度學(xué)習(xí)的時候卻發(fā)現(xiàn)這錢花得很冤枉，因為長期以來，多數(shù)機(jī)器學(xué)習(xí)模型只能通過通用 GPU 庫 CUDA 使用英偉達(dá)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(xué)習(xí)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(dú)完成，你需要花費(fèi) 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(dá)爾定律所揭示的內(nèi)容。它是一個計算機(jī)科學(xué)界的經(jīng)驗法則，代表了處理器并行運(yùn)算之后效率提升的能力。

[[315948]]

那么為什么要用 GPU 呢？最初 GPU 并不是為深度學(xué)習(xí)專門設(shè)計的，但并行計算的本質(zhì)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(shù)據(jù)塊的算法上比 CPU 更高效，因為它們具有高度并行的結(jié)構(gòu)，而且核的數(shù)量也非常多。由于圖形處理和深度學(xué)習(xí)在本質(zhì)上的相似性，GPU 就成為了深度學(xué)習(xí)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(dá)的 CUDA 就不可回避，這種通用并行計算庫是做深度學(xué)習(xí)所必須的。目前，之所以高性能云計算、DL 服務(wù)器都采用英偉達(dá) 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(xué)習(xí)工具包。2018 年，英特爾收購了 Vertex.AI。之后 PlaidML 0.3.3 發(fā)布，開發(fā)者可以借助 Keras 在自己的 AMD 和英特爾 GPU 上完成并行深度學(xué)習(xí)任務(wù)。上個月，Vertex.AI 又發(fā)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(shè)備或其他設(shè)備上進(jìn)行深度學(xué)習(xí)。重要的是，它并不依賴于 CUDA，而是 OpenCL 這種開放標(biāo)準(zhǔn)。

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

[[315949]]

很多讀者可能認(rèn)為，OpenCL 的生態(tài)沒有 CUDA 成熟，可能在穩(wěn)定性與開發(fā)速度上都沒那么快。但是，我們可以把復(fù)雜的底層機(jī)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(jīng)集成到了常見的深度學(xué)習(xí)框架中，并允許用戶在任何硬件中調(diào)用它。目前 PlaidML 已經(jīng)支持 Keras、ONNX 和 nGraph 等工具，直接用 Keras 建個模，MacBook 輕輕松松調(diào)用 GPU。

下面我們開始進(jìn)入正題：如何用自己筆記本電腦的 GPU 運(yùn)行一個簡單的 CNN。

用筆記本 GPU 運(yùn)行一個神經(jīng)網(wǎng)絡(luò)

安裝和設(shè)置 PlaidML 和相關(guān)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(huán)境。作者建議在虛擬環(huán)境下運(yùn)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(diǎn)，標(biāo)準(zhǔn) 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(shè)置 PlaidML 第二步。

現(xiàn)在得到了自己選擇的設(shè)備列表。以作者的電腦 Macbook Pro 15’2018 為例，設(shè)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(shè)置。這樣以來，我們就已安裝所有設(shè)備，并且可以使用 GPU 來運(yùn)行深度學(xué)習(xí)項目了。

在 fashion mnist 上創(chuàng)建 CNN 分類器

首先，啟動 Jupyter Notebook。

Jupyter Notebook 

然后按順序運(yùn)行以下代碼，將 PlaidML 用作 Keras 后端，否則會默認(rèn)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(xiàn)在就可以導(dǎo)入包，并下載 fashion 數(shù)據(jù)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?zāi)K來創(chuàng)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(xiàn)在我們擬合模型，測試一下它的準(zhǔn)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(jié)果。

我們訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型在時尚分類任務(wù)上達(dá)到了 91% 的準(zhǔn)確率，訓(xùn)練只用了 2 分鐘！這個數(shù)字可能看起來并不驚艷，但想想 CPU 訓(xùn)練要多久吧：

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

從以上結(jié)論中我們可以看到，借助 Macbook Pro 搭載的 GPU 進(jìn)行深度學(xué)習(xí)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(xùn)練深度學(xué)習(xí)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(dá)顯卡時也無需 CUDA/cuDNN，也能達(dá)到類似的性能。

在 PlaidML 的 GitHub 頁面上你能看到更多的 demo 和相關(guān)項目，相信隨著這一工具的不斷發(fā)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。