Réaliser la construction d'environnement pour "Deep Learning from scratch" avec docker et Vagrant

WHY

La raison pour laquelle j'ai décidé d'écrire cet article est que j'ai appris les livres suivants pendant les vacances de fin d'année et du Nouvel An, mais si je ne suis pas familier avec Python, il y a certaines parties qui restent bloquées, j'ai donc pu réduire les coûts mentaux pour créer un environnement et lire ce livre. Je me demandais si certaines personnes ne pouvaient pas le terminer.

image.png

Deep Learning from scratch-Theory et implémentation du deep learning appris avec Python

WHAT

La partie que je pensais obstruée était la visualisation de la figure. J'utilise matplotlib pour visualiser la figure, mais il y a un piège lors de la construction de l'environnement, et s'il y tient, cela peut prendre du temps pour le résoudre.

C'est là qu'intervient Docker, où tout le monde peut créer le même environnement. J'ai construit un environnement pour docker dans Vagrant et utilise docker, j'ai donc réalisé un environnement complètement indépendant de mon ordinateur personnel.

La technologie utilisée pour y parvenir est la suivante.

Ces technologies le rendent facile à transporter et à comprendre.

HOW

Comment le faire réellement.

Récupérez le code et accédez au dossier du code

git clone https://github.com/SnowMasaya/deep-learning-excerise.git
cd {Dossier téléchargé}

Lancez Vagrant Si vous utilisez déjà Vagrant, assurez-vous que votre adresse IP est unique.

Modifiez la partie suivante du fichier Vagrantfile.

config.vm.network "private_network", ip: "{Adresse IP à modifier}"
vagrant up

Environnement

ansible-playbook -i provisioning/hosts provisioning/site.yml

Obtenir l'image Docker

docker pull masayaresearch/deep-learning-scratch-excerise

Démarrez Docker et accédez à Docker

docker run -p 8888:8888 -it masayaresearch/deep-learning-scratch-excerise bash

Lancez iPython Notebook

ipython notebook --no-browser --port 8888 --ip=*

Accéder au navigateur

http://192.168.33.25:8888

Lorsque l'écran ci-dessous apparaît, vous pouvez voir que vous pouvez accéder au notebook ipython.

Screen Shot 2017-01-04 at 8.16.58 AM.png

Veuillez vous référer à deep-learning-1.ipynb car il dessine réellement l'image.

Screen Shot 2017-01-04 at 8.23.53 AM.png

code

github

https://github.com/SnowMasaya/deep-learning-excerise/blob/master/docker/python/deep-learning-1.ipynb

Docker hub

masayaresearch/deep-learning-scratch-excerise

référence

https://github.com/oreilly-japan/deep-learning-from-scratch

Recommended Posts

Réaliser la construction d'environnement pour "Deep Learning from scratch" avec docker et Vagrant
[Windows 10] Construction de l'environnement "Deep Learning from scratch"
Préparez l'environnement pour le livre O'Reilly "Deep Learning from scratch" avec apt-get (Debian 8)
Tutoriel d'apprentissage en profondeur de la construction d'environnement
De la construction de l'environnement au déploiement pour flask + Heroku avec Docker
Apprentissage profond à partir de zéro
Construction d'un environnement d'oreiller - Pour Docker + iPython (et OpenCV)
Deep Learning from scratch La théorie et la mise en œuvre de l'apprentissage profond appris avec Python Chapitre 3
De Kafka à KSQL - Construction d'environnement facile avec docker
Créez un environnement d'apprentissage automatique à partir de zéro avec Winsows 10
Apprentissage profond à partir de zéro 1 à 3 chapitres
[Deep Learning from scratch] Implémentation de la méthode Momentum et de la méthode AdaGrad
Apprentissage profond à partir de zéro (calcul des coûts)
Mémo d'apprentissage profond créé à partir de zéro
Créer un environnement avec pyenv et pyenv-virtualenv
[Deep Learning from scratch] Principales méthodes de mise à jour des paramètres pour les réseaux neuronaux
Apprentissage automatique avec docker (42) Programmation PyTorch pour l'apprentissage en profondeur par Ian Pointer
[DynamoDB] [Docker] Créer un environnement de développement pour DynamoDB et Django avec docker-compose
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 7]
Apprentissage profond à partir de zéro (propagation vers l'avant)
Apprentissage profond / Apprentissage profond à partir de zéro 2-Essayez de déplacer GRU
Deep learning / Deep learning made from scratch Chapitre 6 Mémo
[Mémo d'apprentissage] Deep Learning fait de zéro [Chapitre 5]
[Mémo d'apprentissage] Le Deep Learning fait de zéro [Chapitre 6]
Créer un environnement pour Python et l'apprentissage automatique (macOS)
"Deep Learning from scratch" avec Haskell (inachevé)
Deep learning / Deep learning made from scratch Chapitre 7 Mémo
Enregistrement d'apprentissage de la lecture "Deep Learning from scratch"
[Deep Learning from scratch] À propos de l'optimisation des hyper paramètres
Mémo d'auto-apprentissage "Deep Learning from scratch" (partie 12) Deep learning
[Mémo d'apprentissage] Deep Learning fait de zéro [~ Chapitre 4]
[Deep Learning from scratch] J'ai essayé d'implémenter la couche sigmoïde et la couche Relu
Créez rapidement un environnement python pour le Deep Learning / Data Science (Windows)
Créez un environnement d'apprentissage pour le «Deep learning from scratch» avec Cloud9 (jupyter miniconda python3)
Mémo d'auto-apprentissage "Deep Learning from scratch" (glossaire illisible)
Collecter des informations depuis Twitter avec Python (construction de l'environnement)
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 9) Classe MultiLayerNet
Construire un environnement d'analyse avec Docker (jupyter notebook + PostgreSQL)
Construction de l'environnement MacOS 10.11: Powerline avec Anaconda et Dein.vim
GitHub du bon livre "Deep Learning from scratch"
Deep Learning from scratch Chapter 2 Perceptron (lecture du mémo)
[Mémo d'apprentissage] Apprentissage profond à partir de zéro ~ Mise en œuvre de l'abandon ~
Apprentissage automatique à partir de zéro (apprentissage automatique appris avec Kaggle)
Résumé Python vs Ruby "Deep Learning from scratch"
[Pour les débutants] Après tout, qu'est-ce qui est écrit dans Deep Learning fait à partir de zéro?
Mémo d'auto-apprentissage «Deep Learning from scratch» (10) Classe MultiLayerNet
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 11) CNN
De la construction d'environnement Python à la construction d'environnement virtuel avec anaconda
Thèse: Encodage et décodage neuronaux avec Deep Learning pour Dynamic Natural Vision, qui utilise l'apprentissage profond pour générer des nerfs pour des paysages naturels dynamiques.
Contre-mesures pour l'erreur "Impossible d'obtenir le répertoire supérieur" lors de l'utilisation du Deep Learning ② fait à partir de zéro avec le spyder d'ANACONDA
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 16) J'ai essayé de créer SimpleConvNet avec Keras
"Deep Learning from scratch" Mémo d'auto-apprentissage (n ° 17) J'ai essayé de créer DeepConvNet avec Keras
Python vs Ruby "Deep Learning from scratch" Chapitre 1 Graphique de la fonction sin et de la fonction cos
Osez apprendre avec Ruby "Deep Learning from scratch" Importation de fichiers pickle depuis PyCall interdit
Étapes pour créer rapidement un environnement d'apprentissage en profondeur sur Mac avec TensorFlow et OpenCV
Construction d'environnement virtuel avec Docker + Flask (Python) + notebook Jupyter
Mémo d'auto-apprentissage «Deep Learning from scratch» (n ° 19) Augmentation des données
[Python] Construction de l'environnement OpenCV avec Docker (cv2.imshow () fonctionne également)