Új virtuális gép-kép – frissítve 2018 márciusában!
Szeretek írni az „arcfelismerésről”, a „képfelismerésről” és „minden” „egyéb” „menő dologról”, amit gépi tanulással fel lehet építeni. Amikor csak lehetséges, igyekszem kódpéldákat, vagy akár „könyvtárakat/API-kat írni”, hogy a fejlesztők a lehető legkönnyebben játszhassanak ezekkel a szórakoztató technológiákkal.
De az első számú kérdés, amit feltesznek, a következő: „Hogy a fenében tudom ezeket a nyílt forráskódú könyvtárakat telepíteni és működőképessé tenni a számítógépemen?”
Ha Ön nem régóta Linux-felhasználó, nagyon nehéz lehet kitalálni, hogyan lehet egy rendszert teljesen konfigurálni az összes szükséges gépi tanulási könyvtárral és eszközzel, mint például a TensorFlow, a Keras, az OpenCV és a dlib. A saját nyílt forráskódú projektjeimnél felmerülő problémák többsége ezen eszközök telepítésével kapcsolatos. Sokan elakadnak, miközben mindent telepítenek, és feladják, mielőtt bármilyen kóddal játszadoznának. Ez szégyen!
Semmi ok arra, hogy 2017-ben olyan nehéz legyen kipróbálni a dolgokat. Annak érdekében, hogy bárki könnyen játszhasson a gépi tanulással, összeállítottam egy egyszerű virtuálisgép-képet, amelyet letölthet és futtathat bonyolult telepítési lépések nélkül.
A virtuális gép lemezképén az Ubuntu Linux Desktop 16.04 LTS 64-bit előre telepítve van a következő gépi tanulási eszközökkel:
- Python 3.5
- OpenCV 3.2 Python 3 kötésekkel
- dlib 19.9 Python 3 kötésekkel
- TensorFlow 1.5 Python 3-hoz
- Keras 2 Python 3-hoz
- face_recognition Python 3-hoz (az arcfelismeréssel való játékhoz)
- A PyCharm Community Edition már be van állítva, és készen áll ezekre a könyvtárakra
- Kényelmes kódpéldák futtatásra készen, közvetlenül az asztalon!
- Még a webkamera is előre be van konfigurálva, hogy működjön a Linux virtuális gépen belül az OpenCV / face_recognition példák esetén (amíg a webkamerát úgy állítja be, hogy elérhető legyen a VMware beállításaiban).
Megjegyzés: Ez egy oktatási célokra készült asztali virtuális gép, nem egy szerveren való használatra. A licencelési és telepítési bonyodalmak miatt nincs GPU-gyorsítás / CUDA-támogatás. Tehát nincs szükség Nvidia GPU-ra a kipróbáláshoz, de az sem fogja kihasználni a GPU előnyeit, ha van ilyen.
- Töltsd le a 7,7 GB-os VM .tar.gz fájlt (gyors kapcsolattal, a CYDNE kiváló embereinek köszönhetően!). Tömörítse ki a fájlt, ha kész. "VM VirtualBoxhoz is elérhető", de a VirtualBox teljesítménye elég rossz lehet. Tehát ne használja a VirtualBox verziót, hacsak nincs más választása.
- A virtuálisgép-lemezkép futtatásához VMware-re van szüksége. Ha még nincs telepítve a VMware, töltse le az operációs rendszerének megfelelő verziót. A Windows vagy Linux felhasználóknak le kell tölteniük az ingyenes VMware Workstation Playert. A Mac felhasználók megragadhatják az ingyenes VMWare Fusion 30 napos bemutatót.
- Indítsa el a VMware-t, nyissa meg a VM lemezképet és futtassa! A Linuxnak azonnal indulnia kell. A felhasználói fiók jelszavát lásd alább.
- A felhasználónév „deeplearning”, a jelszó pedig „deeplearning”. Lehet, hogy bejelentkezés után módosítani szeretné a jelszót.
- Ez egy 64 bites virtuális gép. A futtatásához 64 bites, 2011 körüli vagy újabb CPU-ra lesz szüksége. Sajnáljuk, de ez nem fog működni, ha régebbi CPU van a számítógépében.
- Ha a PyCharm Community Editiont a bal oldalsávról indítja el, számos előre elkészített projektet megnyithat. Próbálja ki a face_recognition, OpenCV vagy Keras projekteket, és futtasson néhány demót. Kattintson a jobb gombbal a kódablakra, és válassza a „Futtatás” lehetőséget az aktuális fájl PyCharmban való futtatásához.
- Ha a VMware beállításaiban konfigurálja a webkamerát, a webkameráját a Linux virtuális gépén belül érheti el! A beállítás után próbálja meg futtatni az egyik face_recognition webkamera bemutatót.
Érezd jól magad!
Eredetileg a medium.com webhelyen tették közzé 2017. március 28-án.
