想執行TuriCreate，卻沒有蘋果電腦，也沒有Linux使用經驗，怎麼辦？用上這款雲端應用，讓你免安裝Python執行環境。一分錢不用花，以高效能GPU，輕鬆玩兒轉深度學習。

痛點

《如何用Python和深度神經網路識別影像？》一文釋出後，收到了很多讀者的留言。大家對從前印象中高不可攀的深度神經網路圖片識別來了興趣，都打算親自動手，試用一下簡單易用的TuriCreate框架。

有的讀者嘗試之後，很開心。

有的讀者卻遇到了問題：

我在《如何用Python和深度神經網路尋找近似圖片？》一文中，對這個疑問做了回應——TuriCreate目前支援的作業系統有限，只包括如下選項：

如果你用的作業系統是Windows 7及以下版本，目前TuriCreate還不支援。

解決辦法有兩種：

第一種，升級到Windows 10，並且使用WSL。

第二種，採用虛擬機器安裝好Linux。

這兩種解決方法好不好？

不好。

它們都是沒有辦法的辦法。

因為都需要使用者接觸到Linux這個新系統。

對於IT專業人士來說，Linux確實是個好東西。

首先，它免費。因此可以把軟硬體的綜合使用成本降到最低；

其次，它靈活。從系統核心到各種應用，你都可以隨心所欲定製。不像Windows或者macOS，管你用不用西班牙語和文字語音朗讀功能，統統預設一股腦給你裝上；

第三，它結實。Linux雖然免費，但是從創生出來就是以UNIX作為參考物件，完全可以勝任執行在一年都不關機一回的大型伺服器上。

但是，Linux這些優點，放到我專欄的主要閱讀群體——“文科生”——那裡，就不一定是什麼好事兒了。

因為Linux的學習曲線，很陡峭。

所以，如果你固執地堅持在自己的電腦上執行TuriCreate，又不願意學Linux，那可能就得去買臺Macbook了。

但是，誰說執行程式碼一定要在自己的機器上呢？

雲端

你可以把TuriCreate安裝在雲端——只要雲端的主機是Linux就好。

你可能怒了，覺得我是在戲耍你——我要是會用Linux，就直接本地安裝了！本地的Linux我都不會用，還讓我遠端使用Linux？！你什麼意思嘛？

彆著急，聽我把話說完。

雲端的Linux主機，大多是隻給你提供個作業系統，你可以在上面自由安裝軟體，執行命令。

這樣的雲端系統，往往需要你具備相當程度的IT專業知識，才能輕鬆駕馭。

更要命的是，這種租用來的雲主機，要麼功能很弱，要麼很貴。

那種幾十塊錢一個月的主機，往往只有一個CPU核心。跑深度學習專案？只怕你還沒獲得結果，別人的論文都發出來了。

有沒有高效能主機？當然有。

例如亞馬遜的AWS，就提供了p2.xlarge這樣的配置供你選擇。有了它，執行深度學習任務遊刃有餘。

但是它很貴。

有人計算過，如果你需要長期使用深度學習功能，還是本地組裝一臺高效能電腦比較划算。

另外，雖然亞馬遜已經幫你做了很多準備工作。你從開始折騰這臺雲主機到真正熟練掌握使用，還是要花些功夫。

從網上找一篇靠譜的教程後，經過自己的反覆實踐，不斷求助，最終你會掌握以下技能：

• 硬體配置含義；
• 雲平臺信用卡支付方式；
• 控制皮膚使用；
• 計費原理；
• 競價規則；
• 例項使用限制；
• 定製例項型別選擇；
• 安全規則設定；
• 公鑰私鑰的使用；
• 加密通訊ssh連線；
• 檔案許可權設定；
• 其他……

瞭解瞭如何最省錢地執行高配置AWS虛擬主機，知道該在何時啟動和關閉例項。一個月下來，你看著賬單上的金額如此之少，會特別有成就感吧。

問題是，你最初是想要幹什麼來著？

你好像只是打算把手頭的照片，利用TuriCreate上的卷積神經網路快速做個分類模型出來吧？

所以，這種折騰不是正道。

在某些時刻，做出正確的選擇比盲目付出努力重要得多。

你應該選擇一個雲平臺，它得具有如下特色：

你不必會Linux，也不用從頭裝一堆基礎軟體。開啟就能用，需要哪個額外的功能，一條指令就搞定。提供高效能GPU用來執行深度學習程式碼……最好還免費。

你是不是覺得我在做夢？猶豫著要不要趕緊喊我醒過來？

這不是做夢，真的有這樣的好事兒。

發現

本文推薦給你的雲執行環境，是由Google提供的Colaboratory，下文簡稱Colab。

其實這個工具已經存在了好幾年了。

最初版本由Google和Jupyter團隊合作開發。只是最近才迭代到漸入佳境的狀態。經過這篇Medium文章的推廣，吸引了很多研究者和學習者的關注。

官方的介紹是：

Colaboratory 是一款研究工具，用於進行機器學習培訓和研究。它是一個 Jupyter 筆記本環境，不需要進行任何設定就可以使用。

請用Google Chrome瀏覽器開啟這個連結，你可以看到這份“Colaboratory簡介”。

雖然外觀不同，但是它實際上就是一份Jupyter Notebook筆記本。

我們嘗試執行一下其中的語句。

注意這個筆記本里面的語句，其實是Python 2格式。但是預設筆記本的執行環境，是Python 3。

所以，如果你直接執行第一句（依然是用Shift+Enter），會報錯。

解決辦法非常簡單，開啟上方工具欄中的“程式碼執行程式”標籤頁。

選擇最下方的“更改執行時型別”。

將預設的Python 3改成Python 2之後，點選右下角的儲存按鈕。

然後我們重新執行第一個程式碼區塊的語句。這次就能正常輸出了。

語句區塊2就更有意思了。它直接呼叫Google自家的深度學習框架——tensorflow軟體包。

我曾經專門為tensorflow的安裝寫過教程。但是在這裡，你根本就沒有安裝tensorflow，它卻實實在在為你工作了。

不僅是tensorflow，許多常用的資料分析工具包，例如numpy, matplotlib都預設安裝好了。

對於這些基礎工具，你一概不需要安裝、配置、管理，只要拿過來使用就行。

我們執行最後一個程式碼單元。

看，圖片輸出都毫無問題。

程式設計環境領域的即插即用啊！太棒了！

可是興奮過後，你可能覺得不過如此——這些軟體包，我本地機器都正確安裝了。執行起來，再怎麼說也是本地更方便一些啊。

沒錯。

但是安裝TuriCreate時，你的Windows作業系統不支援，對不對？

下面我為你展示如何用Colab執行TuriCreate，進行深度學習。

資料

我把需要分類的影像資料以及ipynb檔案都放到了這個github專案中。請點選這個連結下載壓縮包。

下載後解壓到本地硬碟。

可以看到，其中包含一個ipynb檔案和一個image目錄。

image目錄內容，就是你之前在《如何用Python和深度神經網路尋找近似圖片？》一文中已經見過的哆啦a夢和瓦力的圖片。

這是藍胖子的圖片：

這是瓦力的圖片：

請用Google Chrome瀏覽器（目前Colab尚不支援其他瀏覽器）開啟這個連結，開啟你的Google Drive。

當然，如果你還沒有Google賬號，需要註冊一個，然後登入使用。

下面，把你剛剛解壓的那個資料夾拖拽到Google Drive的頁面上，系統自動幫你上傳。

上傳完成後，在Google Drive裡開啟這個資料夾。

在demo_python_image_classification.ipynb檔案上單擊滑鼠右鍵。選擇開啟方式為Colaboratory。

Colab開啟後的ipynb檔案如下圖所示。

我們首先需要確定執行環境。點選選單欄裡面的“修改”，選擇其中的“筆記本設定”。

確認執行時型別為Python 2，硬體加速器為GPU。如果不是這樣的設定，請修改。然後點選儲存。

資料有了，環境也已配置好。下面我們正式開始執行程式碼了。

程式碼

我們嘗試讀入TuriCreate軟體包。

import turicreate as tc
複製程式碼

結果會有如下報錯。

遇到這個報錯很正常。

因為我們還沒有安裝TuriCreate。

不是說不需要安裝深度學習框架嗎？

那得看是誰家的深度學習框架了。

Colab預設安裝Tensorflow，因為它是Google自家開發的深度學習框架。

而TuriCreate是蘋果的產品，所以需要我們們手動安裝。

手動安裝很麻煩嗎？

才不會。

新開一個程式碼單元，然後輸入以下一行語句：

!pip install turicreate
複製程式碼

你就可以看到Colab幫你辛勤地安裝TuriCreate以及全部依賴包了，根本不用自己操心。瞬間就安裝好了。

我們重新呼叫TuriCreate。

import turicreate as tc
複製程式碼

這次成功執行，再沒有出現報錯。

下面我們需要做一件事情，就是讓Colab可以從我們的資料資料夾裡面讀取內容。

可是預設狀態下，Colab根本就不知道我們的資料資料夾在哪裡——即便我們本來就是從Google Drive的演示資料夾下面開啟這個ipynb檔案的。

我們首先要讓Colab找到Google Drive的根目錄。

這原本是一個相對複雜的問題。但是好在我們有現成的程式碼，可以拿來使用。

請執行下面這個單元格的程式碼。看不懂不要擔心。因為你不需要調整其中的任何語句。

!apt-get install -y -qq software-properties-common python-software-properties module-init-tools
!add-apt-repository -y ppa:alessandro-strada/ppa 2>&1 > /dev/null
!apt-get update -qq 2>&1 > /dev/null
!apt-get -y install -qq google-drive-ocamlfuse fuse
from google.colab import auth
auth.authenticate_user()
from oauth2client.client import GoogleCredentials
creds = GoogleCredentials.get_application_default()
import getpass
!google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret} < /dev/null 2>&1 | grep URL
vcode = getpass.getpass()
!echo {vcode} | google-drive-ocamlfuse -headless -id={creds.client_id} -secret={creds.client_secret}
複製程式碼

執行剛開始，你會看到下面的執行狀態。

過了一小會兒，你會發現程式停了下來。給你一個連結，讓你點選。並且囑咐你把獲得的結果填入下面的文字框。

點選連結，你會看到下圖。

點選你自己的Google賬號。

然後會提示你Google Cloud SDK的許可權請求。

點選允許後，你就獲得了一長串字元了。複製它們。

回到Colab頁面上，把這一長串字元貼上進去，回車。

你可能認為執行完畢。不對，還需要第二步驗證。

又出來了一個連結。

點選之後，還是讓你選擇賬號。

然後Google Cloud SDK又提出了許可權要求。注意和上次的請求許可權數量不一樣。

你需要再複製另外的一串新字元。

貼上回去，回車。這次終於執行完畢。

好了，現在Colab已經接管了你的Google Drive了。我們給Google Drive雲端硬碟的根目錄起個名字，叫做drive。

!mkdir -p drive
!google-drive-ocamlfuse drive
複製程式碼

然後，我們告訴Colab，請把我們當前的工作目錄設定為Google Drive下的demo-python-image-classification-Google-colab-master資料夾。

import os
os.chdir("drive/demo-python-image-classification-Google-colab-master/")
複製程式碼

好了，準備工作完畢，我們繼續。

我們需要告訴TuriCreate，影像資料資料夾在哪裡。

img_folder = 'image'
複製程式碼

然後，我們讀入全部影像檔案到資料框data。

data = tc.image_analysis.load_images(img_folder, with_path=True)
複製程式碼

這裡，你會發現讀入速度比較慢。這確實是個問題，是否是因為TuriCreate的SFrame資料框在Colab上有些水土不服？目前我還不能確定。

好在我們們樣例中的檔案總數不多，還能接受。

終於讀取完畢了。

我們看看data中包含哪些資料吧。

data
複製程式碼

跟Jupyter Notebook本地執行結果一致，都是檔案路徑，以及圖片的尺寸資訊。

下面，我們還是給圖片打標記。

來自哆啦a夢資料夾的，標記為doraemon；否則標記為walle。

data['label'] = data['path'].apply(lambda path: 'doraemon' if 'doraemon' in path else 'walle')
複製程式碼

再看看data資料框內容。

data
複製程式碼

可見，標記已經成功打好。

我們嘗試用explore()函式瀏覽data資料框，檢視圖片。

data.explore()
複製程式碼

但是很不幸，TuriCreate提示我們，該功能暫時只支援macOS.

別忘了，我們現在使用的，是Linux作業系統，所以無法正常使用explore()函式。不過這只是暫時的，將來說不定哪天就支援了。

幸好，這個功能跟我們的影像分類任務關係不大。我們繼續。

把資料分成訓練集與測試集，我們使用統一的隨機種子取值，以保證我們們獲得的結果可重複驗證。

train_data, test_data = data.random_split(0.8, seed=2)
複製程式碼

下面我們正式建立並且訓練模型。

model = tc.image_classifier.create(train_data, target='label')
複製程式碼

執行的時候，你會發現，原本需要很長時間進行的預訓練模型引數下載，居然瞬間就能完成。

這是怎麼回事兒？作為思考題，留給你自行探索解答。給你一個小提示：雲端儲存。

TuriCreate自動幫我們處理了影像尺寸歸一化，並且進行了多輪迭代，尋找合適的超引數設定結果。

好了，我們嘗試用訓練集生成的模型，在測試集上面預測一番。

predictions = model.predict(test_data)
複製程式碼

預測結果如何？我們用evaluate()函式來做個檢驗。

metrics = model.evaluate(test_data)
print(metrics['accuracy'])
複製程式碼

結果如下：

0.935483870968
複製程式碼

我們看看預測的結果：

predictions
複製程式碼

dtype: str
Rows: 31
['doraemon', 'walle', 'walle', 'walle', 'walle', 'walle', 'doraemon', 'doraemon', 'doraemon', 'walle', 'walle', 'walle', 'doraemon', 'doraemon', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'doraemon', 'doraemon', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle']
複製程式碼

再看看實際的標記：

test_data['label']
複製程式碼

dtype: str
Rows: 31
['walle', 'walle', 'walle', 'walle', 'walle', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'doraemon', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle', 'walle', 'doraemon', 'doraemon', 'doraemon', 'walle', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'doraemon', 'walle']
複製程式碼

兩相比對，我們希望找出那些錯誤預測的圖片儲存位置：

test_data[test_data['label'] != predictions]['path']
複製程式碼

下面我們需要直觀瀏覽一下預測錯誤的影像。

讀入Jupyter的Image模組，用於展示影像。

from IPython.display import Image
複製程式碼

我們先來展示第一幅影像：

Image(test_data[test_data['label'] != predictions]['path'][0])
複製程式碼

結果如下：

還是老樣子，50層的深度神經網路模型，已經無法讓人直觀理解。所以我們無法確切查明究竟是哪個判定環節上出了問題。

然而直觀猜測，我們發現在整個照片裡，方方正正的瓦力根本就不佔主要位置。反倒是圓頭圓腦的機器人成了主角。這樣一來，給圖片形成了比較嚴重的噪聲。

我們再來看看另一幅圖：

Image(test_data[test_data['label'] != predictions]['path'][1])
複製程式碼

結果是這樣的：

這幅圖裡面，同樣存在大量的干擾資訊，而且就連哆啦a夢也做了海盜cosplay。

好了，到這裡，我們的程式碼遷移到Colab工作順利完成。

如你所見，我們不需要在本地安裝任何軟體包。只用了一個瀏覽器和一個從github下載的資料夾，就完成了TuriCreate深度學習的（幾乎）全部功能。

比起虛擬機器安裝Linux，或者自己設定雲端Linux主機，是不是輕鬆多了呢？

小結

通過閱讀本文，希望你已經掌握了以下知識點：

• 某些深度學習框架，例如TuriCreate，會有平臺依賴；
• 除了本地安裝開發環境外，雲端平臺也是一種選擇；
• 選擇雲端平臺時，特別要注意設定的簡便性與價效比；
• 如何將資料和程式碼通過Google Drive遷移到Colab中；
• 如何在Colab中安裝缺失的軟體包；
• 如何讓Colab找到資料檔案路徑。

另外，請你在為需求選擇工具的時候，記住哈佛大學營銷學教授萊維特（Theodore Levitt）的那句經典名言：

人們其實不想買一個1/4英寸的鑽頭。他們只想要一個1/4英寸的洞。

這句話不僅對學習者和開發者有用。

對於產品的提供者，意義只怕更為重大。

討論

你之前正確安裝了TuriCreate了嗎？用的什麼作業系統？你嘗試過在雲端執行Python程式碼嗎？有沒有比Colab更好的雲端程式碼執行環境？歡迎留言，把你的經驗和思考分享給大家，我們一起交流討論。

喜歡請點贊。還可以微信關注和置頂我的公眾號“玉樹芝蘭”(nkwangshuyi)。

如果你對資料科學感興趣，不妨閱讀我的系列教程索引貼《如何高效入門資料科學？》，裡面還有更多的有趣問題及解法。