基於Ubuntu+Python+Tensorflow+Jupyter notebook搭建深度學習環境

前言一、環境準備環境介紹軟體下載VMware下安裝UbuntuUbuntu下Anaconda的安裝二、Xshell遠端連線Ubuntu系統三、Jupyter notebook伺服器的配置及遠端訪問四、遠端環境的測試Tensorflow軟體庫的安裝簡單爬蟲資料視覺化基於神經網路實現fashion_mnist圖片的識別總結

前言

如今，人工智慧、深度學習等高深知識逐漸融入大家的視野，小大驗證碼的識別，大到無人駕駛技術等都離不開深度學習。迎合時代的腳步，跟上技術的潮流，開始學習深度學習首先需要搭建深度學習環境。搭建環境的方式也有不少，本文主要是介紹，基於Ubuntu+Python+Tensorflow+Jupyter ntebook來搭建環境，以便開始深度學習之旅。該文主要從以下幾個部分的內容來進行介紹：

• 環境準備
• Xshell遠端連線Ubuntu
• Jupyter notebook伺服器的配置及遠端訪問
• 深度學習遠端環境的測試

OK，話不多說，開始進入正軌吧。(#`O′)

---

一、環境準備

環境介紹

• 準備兩臺計算機，一個作為服務端，一個作為客戶端，通過客戶端遠端連線服務端的深度學習環境。
• 服務端：Linux系統（Ubuntu），也可根據自身需求使用其他Linux系統。
  Ubuntu介紹：Ubuntu（友幫拓、優般圖、烏班圖）是一個以桌面應用為主的開源GNU/Linux作業系統，Ubuntu 是基於Debian GNU/Linux，支援x86、amd64（即x64）和ppc架構，由全球化的專業開發團隊（Canonical Ltd）打造的。
  Linux系統區別於windows系統最大的區別是其主要是利用終端 Shell 命令來進行一系列的操作，所以在實際使用過程中常常用來搭建伺服器，該系統搭建在VMware虛擬機器中。
• 客戶端：Windows10系統
  這個大家再熟悉不過了，就不介紹了。
• Anaconda
  Anaconda介紹：Anaconda指的是一個開源的Python發行版本，其包含了conda、Python等180多個科學包及其依賴項。所以說，當我們下載了Anaconda之後就不必要再下載Python其他包了，其內部整合了大量大Python工具，其中就包括我們這篇文章的主角Jupyter notebook。
• Xshell
  這個就沒什麼好說的了，它主要是一種遠端連線的工具，使用它之後我們就可以通過ssh協議來遠端連線Ubuntu系統了，而且它常常與遠端檔案傳輸工具Xftp配套使用。

軟體下載

這裡給大家兩種方式進行下載，一個是官網下載，如果官方下載比較慢的可以在下方網盤進行下載，大家根據自己的方便下載即可。

官網：

1. Anaconda：https://www.anaconda.com/download/，於服務端下載
2. Xshell：https://xshell.en.softonic.com/?ex=BB-682.0，於客戶端下載
3. Ubuntu：https://www.ubuntu.com/download/desktop，於服務端下載
4. VMware：https://www.vmware.com/，於服務端下載

網盤：

1. Anaconda：https://pan.baidu.com/s/1k8JdX5vo62j_I1jAy3Airw， 密碼：bhfv，於服務端下載
2. Xshell：https://pan.baidu.com/s/1KKqsFrhbPUM2Yc_Jukm5sw， 密碼：fi0y，於客戶端下載
3. Ubuntu：https://pan.baidu.com/s/1Zwz1GGlEtlStnS-5OFsecQ， 密碼：50yw，於服務端下載
4. VMware：https://pan.baidu.com/s/1-h0HLJGrXbJjwzfU5I2rww， 密碼：hjnq，於服務端下載

VMware下安裝Ubuntu

注意：以下內容都是在服務端計算機中進行配置

在VMware虛擬機器下安裝Ubuntu系統雖然有點步驟，也需要點時間，但是並不複雜。在綜合考慮到時間成本與其給大家帶來的價值的關係下，博主就用文字描述了，暫時不貼圖了。但是你不必擔心，關鍵步驟還是會貼圖說明的，大家根據下方的流程搭建安裝即可 ( ﹁ ﹁ ) ~→。

• 在服務端下載好VMware及Ubuntu之後。首先開啟VMware你會發現他會讓你輸入VMware祕鑰，以下將給出幾個目前有效的祕鑰，當你使用的時候也許已經失效了，你可以自行查詢可用的祕鑰即可：

FF31K-AHZD1-H8ETZ-8WWEZ-WUUVA
CV7T2-6WY5Q-48EWP-ZXY7X-QGUWD
ZY5H0-D3Y8K-M89EZ-AYPEG-MYUA8
ZC5XK-A6E0M-080XQ-04ZZG-YF08D
ZY5H0-D3Y8K-M89EZ-AYPEG-MYUA8
複製程式碼

• 輸入祕鑰之後 ，進入到了VMware的頁面了，這個時候我們需要用到在之前下載好的Ubuntu映象檔案了，在VMware中新建一個虛擬機器，流程如下：

以上便是VMware下安裝Ubuntu的全流程，如果在安裝過程中有什麼問題歡迎聯絡作者或在下方留言。

Ubuntu下Anaconda的安裝

在VMware下安裝好Ubuntu後，雖然Ubuntu內自帶了Python，但是其版本一般是2.7的，而且許多常用的工具包並沒用整合，所以我們還需要安裝Anaconda（一招解千愁），如果熟悉Java的話，Anaconda就類似Maven一樣的存在。我們根據以上介紹的Anaconda的下載方式在Ubuntu下載好Anaconda之後，進入到其目錄之下（或者cd操作），然後開啟終端，執行如下命令來進行安裝：

bash Anaconda3-5.3.1-Linux-x86_64.sh    # 不要盲目的複製貼上，根據自己所下載的Anaconda版本執行
複製程式碼

執行之後會有一些列諸如同意協議之類的問題，我們直接預設預設選項即可（直接Enter，或者yes），直到出現Anaconda環境變數配置的顯示（不要無腦yes過頭了），我們需要選擇將其加入到環境變數中去。一系列操作之後，我們關閉終端然後在重新開啟終端，然後在終端分別執行conda list、python命令，如果你的終端介面出現類似以下輸出，則恭喜你說明你已經完成了anaconda的安裝。

這裡再說明一點：而如果你的終端輸錯報錯（未找到conda命令之類的）或者Python版本為2.7，那就說明你以上操作中未將Anaconda加入到環境變數(yes過頭)，所以你需要手動配置Anaconda的環境變數，操作如下：

開啟環境變數的配置檔案，從這裡我們就可以看出Linux和Windows下的操作的區別了（windows一般是通過介面的形式進行設定，而Linux下則大多數通過終端並使用vim進行配置）

# 開啟環境變數的配置檔案，從這裡我們就可以看出Linux和Windows下的操作的區別了
# windows一般是通過介面的形式進行設定，而Linux下則大多數通過終端並使用vim進行配置
sudo vim gedit /root/.bashrc    
複製程式碼

開啟檔案之後我們需要在檔案末尾新增如下內容（需要熟悉vim操作），其中XXX為你的Anaconda的bin目錄，例如我的是/home/lxj/anaconda3/bin

export PATH="XXX:$PATH"   # XXX為你的Anaconda的bin目錄，例如我的是/home/lxj/anaconda3/bin
複製程式碼

然後儲存（Esc -> shift+: -> wq -> 回車），在終端輸入source ~/.bashrc進行更新即可完成Anaconda環境變數的配置，不出意外的話再次分別執行Python、conda list命令之後你會看見conda包的列表以及Python3.7的輸出了。

補充：這裡額外說明一下，以上的操作是使用Vim進行檔案編輯的，他不同於windows下的記事本等，而是通過特定的操作來對檔案進行編輯。對於熟悉Vim操作的應該會理解以上Anaconda環境變數的配置，然而如果是對Vim比較陌生的朋友可能會卡殼，所以在這裡簡單介紹一些vim的操作：

在終端使用vim命令之後將會進入到vim的介面，此時的介面是不允許modify任何內容的，只允許read only。此時我們輸入i將會進入到vim的編輯模式，現在就能對該檔案進行修改了。檔案內容修改完成之後，我們需要退出該vim編輯模式，vim 的退出常用的有以下幾種（首先輸入Esc鍵）：

• q! -> 不儲存檔案修改並退出
• wq -> 儲存檔案的修改並退出
• wq! -> 有時候我們需要root許可權才能編輯檔案，使用該命令之後就能夠強制修改並退出。

對於以上Anaconda環境變數的配置，vim的熟悉至此就足夠了，順便介紹一下其他常用的命令供大家參考

• read模式下雙擊d -> 刪除當行內容
• Ctrl+b -> 內容向前移動一頁
• ctrl+f -> 內容向後移動爺爺
• shift+g -> 滑鼠指標定位到最後
  常用的就是以上一些了，其他的操作有需要的自行學習

注意：以上內容都是在服務端計算機中進行配置

至此，我們已經完成了環境的搭建，接下來我們介紹一下如何使用Xshell遠端連線Ubuntu操作

---

二、Xshell遠端連線Ubuntu系統

注意：以下內容都是在客戶端計算機中進行配置

安裝好Anaconda之後，我們需要通過Xshell使用Xshell來遠端連線我們的Ubuntu系統，此時我們的目標需要轉移至客戶端了。

首先在以上軟體下載中根據連結下載Xshell，之後Windows傻瓜式安裝好Xshell（順便把Xftp安裝下，與Xshell配套使用的，雖然在本文中使用不到）。之後的操作會有幾個坑，但是不必擔心，下面會詳細帶你一個一個的填掉 o(*≧▽≦)ツ┏━┓。

坑一：連線失敗
我們雙擊開啟Xshell，並點選檔案並新建，然後根據如下圖進行操作：

補充，上方中的主機屬性是填Ubuntu的ip地址，該地址可在Ubuntu的終端執行ifconfig（windows是ipconfig）命令得到。

以上資訊填寫完之後在出現的介面輸入自己Ubuntu下的使用者登入密碼即可。
執行之後你會發現連線失敗，此時我們需要檢查一下Ubuntu是否與客戶端處於同一網段下，可以將Ubuntu設定成橋接模式（右鍵Ubuntu虛擬機器然後進行設定，一般用於有線連線情況）或者使用Nat模式（用於無線），之後再次檢查一下客戶端（Windows10）是否能夠ping通服務端（Ubuntu），在客戶端的cmd中執行如下：

ping XXX.XXX.XXX.XXX    # XXX.XXX.XXX.XXX為服務端的ip
複製程式碼

在以上操作之後，一般就能ping通了，如果失敗了則在Ubuntu終端下執行sudo wfw disable命令關閉防火牆。

坑二：連線失敗 (ノへ￣、)

在如上操作之後，我們再次嘗試重新連線。我們可以發現依然連線失敗，顯示拒絕連線之類的資訊。這是因為Xshell是通過ssh協議來連線Ubuntu的，但是Ubuntu預設是沒有開啟ssh服務的，所以我們需要在其終端執行如下命令來開啟ssh服務：

sudo service ssh restart
複製程式碼

之後我們再次嘗試連線。

坑三：連線失敗 (ノへ￣、) (ノへ￣、)

一般來講，這個時候依然是連線失敗，因為在預設情況下Ubuntu未安裝ssh服務，此時我們需要在Ubuntu下安裝ssh服務，執行以下命令進行安裝：

sudo apt-get install openssh-server
複製程式碼

待其安裝好後，我們再再再次連線Ubunut。如果無法安裝，則需要執行apt-get update進行更新，更新之前如果出現無法獲得鎖相關的報錯資訊，則執行如下命令斷開apt程式後再次更新：

# 檢視apt相關程式
ps aux |grep apt
# 然後把apt程式殺掉
kill -9 程式號
# 重新更新apt-get
apt-get update
複製程式碼

以上坑踩過之後也該連線成功了吧。的確此時你將成功連線到Ubuntu了，之後Xshell將開啟一個終端，這個終端就是Ubuntu下的終端了，也就是說我們可以使用該終端控制Ubuntu了，並對其進行Shell操作。ヽ(✿ﾟ▽ﾟ)ノ

---

三、Jupyter notebook伺服器的配置及遠端訪問

由於我們在之前已經安裝過了Anaconda，所以此時的Ubuntu就已經整合了ipython 以及jupyter-notebook（Anaconda就是這麼的強大）。對此，我們將通過Xshell遠端連線Ubuntu來搭建Jupyter notebook的伺服器，並對其進行遠端訪問。

• 在終端中啟動ipython或者python，然後執行以下命令

from IPython.lib import passwd
passwd()
複製程式碼

上述命令執行之後將會在終端顯示設定密碼，方便起見，在這我們將密碼設定成：123，之後enter並確認即可完成密碼的設定。

注意：這裡的密碼是暗文的形式，輸入之後不會顯示的，還有此時你輸入的密碼需要記住，因為我們待會遠端訪問Jupyter notebook伺服器的時候需要用到該密碼進行登入

密碼輸入之後，我們將會看到有一個較長字串，該字串是上述密碼的一個加密形式，我們需要將其複製下來，在之後的ipython_notebook_config.py檔案的設定中需要使用，操作結果如下圖所示：

• 隨後為了方便上述加密密碼字串的記錄，我們在此開啟另一個終端（這也是Xshell的方便所在），然後使用如下命令建立一個伺服器名，比如，在此我們將該名字設定為：XXX

ipython profile create XXX
複製程式碼

在上述伺服器名建立完成之後，將在終端輸出兩個py檔案（ipython_config.py、ipython_kernel_config.py）路徑，之後使用如下cd命令我們進入到.ipython路徑cd ./.ipython。具體操作圖示如下：

• 進入.ipython目錄之後使用ls命令將會列出上述建立的兩個py檔案所在，但是我們需要再額外建立一個py配置檔案並對其進行設定，在這裡我們使用vim來進行操作，關於vim的使用，上述的Anaconda環境配置過程中已經介紹了，遺忘的朋友可以返回看一看再熟悉一下。熟悉之後我們完成如下步驟：

cd .ipython/profile_txj     
vim ipython_notebook_config.py
複製程式碼

進入到vim環境之後我們在ipython_notebook_config.py檔案中編輯如下內容，主要是配置notebook的登入密碼（加密後的形式）以及服務的開放埠：

c = get_config()
c.IPKernelApp.pyalb = "inline"
c.NotebookApp.ip = "*"
c.NotebookApp.open_browser = False
c.NotebookApp.allow_root = True
c.NotebookApp.password = u"加密後的密碼"    # 這裡我們需要使用上述加密後的密碼，在另一個終端可見
c.NotebookApp.port = 8888   # 在這裡，我們需要設定一個jupyter-notebook的埠，儘量設定的少見點，以免造成埠衝突
複製程式碼

編輯好後，wq命令儲存並退出。

• 在上述一切操作完成之後，我們現在來開啟該伺服器，新建一個終端並執行如下命令

jupyter notebook --config=【你的ipython_notebook_config.py檔案路徑】    
# 例如/home/lxj/.ipython/profile_XXX/ipython_notebook_config.py
複製程式碼

在上述命令執行之後，如果出現如下圖片所示內容，則說明我們的服務端已經正常啟動

• 在服務端啟動完成之後，我們在客戶端開啟瀏覽器，訪問XXX.XXX.XXX.XXX:8888（ubuntu的ip加開放的埠）試試，看看能否正常請求。如果隨後出現一個如上所示的Jupyter notebook的登入頁面，那麼恭喜你，至此Jupyter notebook伺服器配置完成，並能夠遠端訪問了。在表單中輸入你所設定的密碼（上面第一步設定的密碼，123）即可開始你的深度學習之旅了。

以上就是Jupyter notebook伺服器的配置及遠端訪問的內容了，但是能否正常使用呢，我們下面將通過幾個簡單的例子來對其進行測試。

---

四、遠端環境的測試

Tensorflow軟體庫的安裝

TensorFlow™ 是一個採用資料流圖（data flow graphs），用於數值計算的開源軟體庫。節點（Nodes）在圖中表示數學操作，圖中的線（edges）則表示在節點間相互聯絡的多維資料陣列，即張量（tensor）。它靈活的架構讓你可以在多種平臺上展開計算，例如臺式計算機中的一個或多個CPU（或GPU），伺服器，移動裝置等等。TensorFlow 最初由Google大腦小組（隸屬於Google機器智慧研究機構）的研究員和工程師們開發出來，用於機器學習和深度神經網路方面的研究，但這個系統的通用性使其也可廣泛用於其他計算領域。

上述操作完成之後，我們需要在Anaconda下安裝Tensorflow包，這裡我們可以採用Anaconda虛擬環境中安裝：

1. Anaconda下通過create命令並指令Python版本建立一個虛擬環境
2. conda env list可以看見當前所擁有的環境
3. activate命令啟用所需要的虛擬環境
4. 成功進入後後我們即可直接通過pip進行安裝tensorflow2（本文直接安裝CPU版本，如需安裝GPU版本可看註釋）

# Anaconda下通過`create`命令並指令Python版本建立一個虛擬環境，命名tensorflow2
conda create --name tensorflow2 python=3.6、
# `conda env list`可以看見當前所擁有的環境
conda env list
# `activate`命令啟用所需要的虛擬環境
conda activate tensorflow2
# 成功進入後後我們即可直接通過pip進行安裝`tensorflow2`
pip install -U tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple --default-timeout=1000

# GPU版本安裝：conda create -n tf2 tensorflow-gpu，執行之後會自動安裝 CUDA,cuDNN,TensorFlow GPU 等
複製程式碼

在虛擬環境安裝好Tensorflow2之後，要想在Jupyter notebook下使用該虛擬環境，我們還需要在該環境下安裝ipkernel：

conda install ipykernel
python -m ipykernel install --name tensorflow2 --display-name tensorflow2
複製程式碼

成功安裝之後，在tensorflow2虛擬環境下使用jupyter notebook命令即可啟動，登入之後在服務頁面中即可指定tensorflow2 kernel環境來編寫程式碼。通過上述的操作，我們已經完成了所有的工作。下面我們對其進行驗證，看看Anaconda下的第三方包能否正常使用。為此，我們通過以下幾個小的案例來進行驗證：

• 百度及其子連結的簡單爬蟲（requests， BeautifulSoup）
• 資料視覺化操作（numpy，matplotlib，skimage）
• 基於神經網路實現fashion_mnist圖片的識別（Tensorflow、Keras）

簡單爬蟲

import requests
from bs4 import BeautifulSoup

def get_page(url, headers=None):
    return requests.get(url).text

if __name__ == "__main__":
    baidu_url = "https://www.baidu.com"
    baidu_soup = BeautifulSoup(get_page(baidu_url), "html.parser")
    son_links = [biaoqian_a.attrs["href"] for biaoqian_a in baidu_soup.find_all("a")]
    for index, son_link in enumerate(son_links):
        print("正在請求第{}個頁面".format(str(index)))
        print(get_page(son_link))
複製程式碼

資料視覺化

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib as mpl
% matplotlib inline

for module in np, pd, mpl:
    print(module.__name__, module.__version__)

if __name__ == "__main__":
    ax =pd.DataFrame(np.random.randn(1000, 6), columns=list('ABCDEF')).cumsum().plot(secondary_y=["D", "E", "F"])

    ax.set_ylabel('ABC plot')
    ax.right_ax.set_ylabel('DEF scale')
    ax.legend(loc='upper left')
    ax.right_ax.legend(loc='upper right')

    plt.show()
複製程式碼

基於神經網路實現fashion_mnist圖片的識別

import tensorflow as tf
import numpy as np
from matplotlib import pyplot as plt
import matplotlib as mpl
%matplotlib inline

for module in tf, np, mpl:
    print(module.__name__, module.__version__)

if __name__ == "__main":
    (x_train_all, y_train_all), (x_test, y_test) = tf.keras.datasets.fashion_mnist.load_data()
    x_valid, x_train = x_train_all[:50000], x_train_all[50000:]
    y_valid, y_train = y_train_all[:50000], y_train_all[50000:]

    model = tf.keras.models.Sequential()
    model.add(tf.keras.layers.Flatten(input_shape = [28, 28]))  # 定義輸入層
    model.add(tf.keras.layers.Dense(300, activation="relu")) # 定義全連線層（最普通的神經網路），中間定義兩個隱藏層
    model.add(tf.keras.layers.Dense(100, activation="relu")) # 再定義一個全連線層
    model.add(tf.keras.layers.Dense(10, activation="softmax")) # 定義輸出層

    model.compile(loss = "sparse_categorical_crossentropy",
                 optimizer = "adam",
                 metrics = ["accuracy"])

    history = model.fit(x_train, y_train, epochs=10,
             validation_data=(x_valid, y_valid))

    pd.DataFrame(history.history).plot(figsize=(8, 5))
    plt.grid(True)
    plt.gca().set_ylim(0, 1)
    plt.show()
複製程式碼

---

總結

通過上述的演示，已經完成了windows10下使用xshell遠端連線linux系統以及遠端訪問jupyter-notebook服務，並通過幾個小例子來對其進行驗證說明可以正常使用linux下的anaconda。這樣的話即可實現兩臺PC級之間的協調工作，一臺用作服務端提供環境，另外一臺作為客戶端來遠端進行訪問並編寫程式碼，而且其中的優勢也是顯而易見的，既能在一定程度上減小計算機的壓力，又能方便管理且易於操作。另外，以上的環境搭建只作為一個案例，並不唯一，比如你可以使用Linux Centos、aliyun雲伺服器等。如果以上內容幫助到了你，請點個贊吧.ﾟヽ(｡◕‿◕｡)ﾉﾟ.:｡+ﾟ