入門深度學習 — 1
使用 Paperspace 的 GPU 機器
前面提到你會需要一臺 GPU 機器，如果手邊沒有的話，可以先用線上的方案，Paperspace 的價格應該會比 AWS 跟 Floydhub 來得便宜。
在註冊完 Paperspace 帳號後，選定 ML-In-a-Box template 建立機器，這個 template 幫你事先安裝好所有開發 Machine Learning 所需要的套件，其中包含 Python 2/3、anaconda、Keras、tensorflow、Cafe、PyTorch 以及 Jupyter notebook 等等。設定完後 Paperspace 會將密碼寄給你，我自己的習慣是繫結一個 Public IP，然後使用 ssh 連進去使用。
keras 在安裝時，會重複安裝一次 tensorflow 作為 backend，但是那份 tensorflow 是支援 CPU 的版本，而非 GPU 版本，所以建議的安裝方式是先移除所有 tensorflow 套件，再手動透過 anaconda 安裝 tensorflow-gpu 以及 tensorflow-gpu-base，然後是 keras:
$ conda uninstall tensorflow
$ conda uninstall tensorflow-base
$ conda install tensorflow-gpu
$ conda install --no-deps keras
然後安裝
$ pip install gpustat
我第一次跑的時候，發現執行速度很慢，最後是透過 nvidia-smi / gpustat 才知道安裝的 tensorflow 根本是 CPU 版本，GPU 一點動作都沒有，重新安裝成 GPU 版本的 tensorflow 後就解決了這個問題，所以這個小工具很重要啊！
接下來一樣要跑 jupyter，但是因為是跑在遠端伺服器上，所以要多作一些額外的設定讓你可以連進去使用：
- 產生 Jupyter 設定檔，並設定密碼。當你使用 browser 連進 jupyter notebook 時，會需要輸入這組密碼來進去，這是預防當你把 jupyter notebook 放到公開網路時，被人進去惡搞。
$jupyter notebook --generate-config
$jupyter notebook password
2. 設定 jupyter server 繫結 IP 位址
編輯 ~/.jupyter/jupyter_notebook_config.py 將 binding 的 IP address 改成 “*”
3. 設定防火牆 ufw，允許外部連進 8888 port
$ sudo ufw allow 8888
4. 執行 $ jupyter notebook
接下來你就可以直接用 browser 連到該機器 Public IP 的 8888 Port 使用 Jupyter notebook