Blog

[Deep Learning] 在 Windows 上搭建 Tensorflow、CUDA、cuDNN 的訓練環境

搭建深度學習環境一直都不是一項簡單的事情，尤其是相當主流的 Nvidia 顯卡和 Tensorflow 的組合，其中版本的問題以及需要額外安裝的驅動、CUDA、cuDNN 就夠讓人頭疼了。而且主流的作業系統是 Linux 而非 Windows ，可以發現教學文明顯就少了些。

如果在 Linux 伺服器中我們擁有著 super user 的權限，那麼我們其實是可以檢查其他使用者（包括自己）曾經下達過的指令的。

Gnome 是 Linux 作業系統上相當著名的開源桌面環境系統，目前已經出到了 Gnome 3。如果想要安裝 Gnome 在自己的機器上，可以使用以下指令：

最早我在使用 WordPress 寫部落格的時候，一直都是使用 Publicize 這項服務來連接各個社群媒體，比方說 Facebook、Twitter、LinkedIn、Tumblr ...... 等等，只要我在部落格上一發文，各個社群媒體也都會隨之發表文章，非常方便。

Docker 是一種輕量級的『虛擬化』技術，讓我們可以自由搭建適合自己程式開發的環境，也能打包整個配置的環境（也就是的所謂 Container，容器），讓程式即使再轉移到其他裝置上時，仍然能啟動同樣的 Docker 環境正常執行程式。

不論是在寫小說、亦或者是正在寫論文 —— 對於一篇架構完整的文章而言，開頭的『目錄』是必不可少的。從前我會慢慢地一個個字打出自己的目錄（一方面也是在寫文章的大綱啦 ...），不過這樣想必是相當麻煩的。

Early stopping 是一種應用於機器學習、深度學習的技巧，正如字面上的意思 —— 較早地停止。在進行監督式學習的過程中，這很有可能是一個找到模型收斂時機點的方法。

draw.io 是一個免費且能跨平台（單機版也能在 Windows、Linux、MacOS 上協作）的線上工具，功能非常強大，不論是流程圖、統計圖、心智圖、地圖 ...... 甚至是抽象的概念，只要你能想像得到的，幾乎 draw.io 都可以繪製得出來。

在使用 PyTorch 搭建深度學習環境的時候，若是我們有著切割資料集的需求（比方說將訓練資料切出驗證資料），在將資料封裝成 PyTorch 的 dataset 物件時，我們便可以透過 PyTorch 內建的切割函式 —— random_split() 來做到切割資料集。

PyTorch 是一個經常用於架構深度學習的框架，從名字就可以看出，是使用 Python 語法來調用的。PyTorch 封裝了各式各樣常用於深度學習的函式、神經網路、模型架構，使用上非常方便。