Win10 安裝 digits

接下來就按照官方教程來安裝了。。。

1. If the installation process complains compiler not found, you need to install Microsoft Visual C++ Compiler for Python 2.7, downloaded at (https://www.microsoft.com/en-us/download/details.aspx?id=44266). We recommend installing it by

msiexec /i VCForPython27.msi ALLUSERS=1

如果提示找不到python 路徑，則 python python_path.py

import sys


from _winreg import *

# tweak as necessary 
version = sys.version[:3] 
installpath = sys.prefix  
regpath = "SOFTWARE\\Python\\Pythoncore\\%s\\" % (version)
installkey = "InstallPath"
pythonkey = "PythonPath"
pythonpath = "%s;%s\\Lib\\;%s\\DLLs\\" % (
installpath, installpath, installpath
)

def RegisterPy():
    print "begin RegisterPy "
    try:
        print "open key : %s"%regpath
        reg = OpenKey(HKEY_CURRENT_USER, regpath)
    except EnvironmentError as e:    
        try:           
            reg = CreateKey(HKEY_CURRENT_USER, regpath) 
            SetValue(reg, installkey, REG_SZ, installpath) 
            SetValue(reg, pythonkey, REG_SZ, pythonpath)
            CloseKey(reg) 
        except: 
            print "*** EXCEPT: Unable to register!" 
            return             
        
        print "--- Python", version, "is now registered!" 
        return

   
    if (QueryValue(reg, installkey) == installpath and 
        QueryValue(reg, pythonkey) == pythonpath): 
            CloseKey(reg) 
            print "=== Python", version, "is already registered!" 
            return CloseKey(reg) 

    print "*** ERROR:Unable to register!" 
    print "*** REASON:You probably have another Python installation!"

def UnRegisterPy():
    #print "begin UnRegisterPy "
    try:
        print "open HKEY_CURRENT_USER key=%s"%(regpath)
        reg = OpenKey(HKEY_CURRENT_USER, regpath)
        #reg = OpenKey(HKEY_LOCAL_MACHINE, regpath)
    except EnvironmentError:  
        print "*** Python not registered?!"
        return
    try:
       DeleteKey(reg, installkey)
       DeleteKey(reg, pythonkey)
       DeleteKey(HKEY_LOCAL_MACHINE, regpath)
    except:
       print "*** Unable to un-register!"
    else:
       print "--- Python", version, "is no longer registered!"            

if __name__ == "__main__":  
    RegisterPy()

View Code

2. 安裝Graphviz， Graphviz is available at (www.graphviz.org/Download.php). Please note this site is not always available online. The installation directory can not contain space, so don't install it under the regular 'c:\Program Files (x86)' directory. Try something like 'c:\graphviz' instead. When the installation directory contains space, pydot could not launch the dot.exe file, even it has no problem finding it. Add the c:\graphviz\bin directory to your PATH.

3. Clone DIGITS from github.com (https://github.com/nvidia/digits). From the command prompt (run as administrator) and cd to DIGITS directory. Then type

python -m pip install -r requirements.txt

4. You may see error about Pillow, like ValueError: jpeg is required unless explicitly disabled using --disable-jpeg, aborting If this happens, download Pillow Windows Installer (Pillow-3.1.1.win-amd64-py2.7.exe) at https://pypi.python.org/pypi/Pillow/3.1.1 and run the exectuables. After installing Pillow in the above way, run

python -m pip install -r requirements.txt

After the above command, check if all required Python dependencies are met by comparing requirements.txt and output of the following command.

python -m pip list

5. If gevent is not v1.0.2, install it from the whl file, downloaded previously from (http://www.lfd.uci.edu/~gohlke/pythonlibs/).

python -m pip install gevent-1.0.2-cp27-none-win_amd64.whl

6. It should uninstall the gevent you had, and install gevent 1.0.2.

Because readline is not available in Windows, you need to install one additional Python package.

python -m pip install pyreadline

值得提出的是最后一步運行digits的命令發生了變化

python -m digits

然后是缺什么安裝什么。。。

例如：

No module named wtforms

pip install wtforms

Invalid version: 'CAFFE_VERSION'

 windows/caffe/caffe.vcxproj

     <PostBuildEvent>
        <Command>"$(ScriptsDir)\FixGFlagsNaming.cmd" "$(OutDir)" $(Configuration)</Command>
      </PostBuildEvent>
 +    <ClCompile>
 +      <PreprocessorDefinitions>NDEBUG;%(PreprocessorDefinitions);CAFFE_VERSION=1.0.0-rc3</PreprocessorDefinitions>
 +    </ClCompile>
    </ItemDefinitionGroup>
    <ItemGroup>
      <ClCompile Include="..\..\tools\caffe.cpp" />

 windows/pycaffe/pycaffe.vcxproj

   <ItemDefinitionGroup>
      <ClCompile>
        <DisableSpecificWarnings>4003</DisableSpecificWarnings>
 +      <PreprocessorDefinitions Condition="'$(Configuration)|$(Platform)'=='Release|x64'">NDEBUG;%(PreprocessorDefinitions);CAFFE_VERSION=1.0.0-rc3</PreprocessorDefinitions>
      </ClCompile>
      <PreBuildEvent>
        <Command>"$(ScriptsDir)\PythonPreBuild.cmd" "$(SolutionDir)" "$(ProtocDir)" "$(OutDir)"</Command>

No module named flask.ext.socketio

pip install flask-socketio
pip install -I Flask==0.10.1
pip install flask-wtf

No module named lmdb

pip install lmdb

最后 python -m digits 啟動

打開瀏覽器輸入： localhost:5000 就可以看到

運行mnist實例

一、准備數據，這里感謝此博文，也可以參照官方教程

原始數據需要的是圖片，但網上提供的mnist數據並不是圖片格式的數據，因此我們需要將它轉換成圖片才能運行。

digits提供了一個腳本文件，用於下載mnist, cifar10 和cifar100 三類數據，並轉換成png格式圖片。文件路徑為：

DIGITS-master/download_data/__main__.py

我們先在當前用戶的根目錄下，新建一個mnist文件夾用來保存mnist圖片。

cd C:\DIGITS-master\digits\download_data

然后執行腳本

python  __main__.py   mnist  mnist

__main__.py 帶兩個參數，第一個為數據集名稱（可設置為mnist, cifar10或cifar100)，第二個為輸出路徑（mnist)

執行成功后，會在mnist文件夾下，生成兩個文件夾（train文件夾和test文件夾），每個文件夾下面就是我們需要的圖片(10類分別放在10個子文件夾內），同時還生成了對應在圖片列表文件train.txt和test.txt

接下來，在瀏覽器上運行digits, 點擊左邊Dataset模塊的"Image"按鈕選擇“classification", 創建一個dataset

數據集

手寫體MNIST數據集的原始數據格式為：png，每幅圖像大小為：

數據集屬性	值
Image Type	Grayscale
Image Encoding	png
Image Dimensions
Number of Categories	10
Number of Training Images	45002
Number of Validation Images	14998(25% of 60000)
Number of test Images	10000

在這個頁面的左邊，可以設置圖片是彩色圖片還是灰度圖片，如果提供的原始圖片大小不一致，還可用Resize Transformation功能轉換成一致大小。從頁面中間可以看出，系統默認將訓練圖片中的25%取出來作為驗證集（for validation)。

如果想把用來測試的圖片，也生成lmdb, 則把“ separate test image folder" 這個選項選上。

全部設置好后，點擊"create" 按鈕，開始生成lmdb數據。

注意左上角的Job Directory(工作目錄），生成的lmdb文件就放在這個目錄下面，大家最好打開這個目錄去看看，看一下生成了些什么文件，了解一下運行原理。

在這個界面，我們還可以可視化查看訓練和測試的圖片，如下圖：

train.txt里面存放的是所有訓練圖片的列表清單，柱狀圖清晰地顯示了10類樣本各自的數量。點擊" Explorer the db” 即可查看圖片。

最后，點擊最左上角“ DIGITS" 鏈接回到網站根目錄。

經過前面的操作，我們就把數據准備好了。接下來繼續。。。

二、訓練一個model，這里感謝此博文，也可以參考官方教程

右擊右邊Models模塊的” Images" 按鈕，選擇“classification"

在打開頁面右下角可以看到，系統提供了一個caffe model,分別為LeNet, AlexNet, GoogLeNet, 如果使用這三個模型，則所有參數都已經設置好了，就不用再設置了。

模型參數

模型選擇LeNet（Original Paper 1998）

Solver Options	意義	示例值	solver.prototxt	計算
Training epochs	迭代代數：將訓練數據反復送入網絡訓練的次數	30(單位次數)	max_iter	（Training epochs）×（
Snapshot interval (in epochs)	快照間隔：是指訓練多少次后進行一次快照記錄	1（單位次數）	snapshot
Validation interval (in epochs)	驗證間隔	1（單位次數）	test_interval
Random seed	權重隨機初始化種子	[none]	-	-
Batch size	批處理大小	[network defaults]，網絡默認值，訓練：64，測試100	-	-
Solver type	優化方法	Stochastic Gradient Descent （SGD）	solver_type	SGD
Base Learning Rate	學習率	0.01	base_lr	0.01
Policy	學習率策略	Step Size	lr_policy	“step”
Step Size	步長	33%	stepsize	max_iter*Step Size，如：21120×33%=6970
Gamma	Gamma參數	0.1（單位0.005）	gamma	0.1