一、註冊申請Intel AI DevCloud

  2.填寫註冊資訊：



  3.Submit提交，提交後會出現下面的介面：


  4.說明已經申請成功了，大概等2個工作日左右，會收到一封郵件，郵件長這樣：


  第一個紅框內的連結是使用教程，教你怎麼連線到devcloud，要仔細閱讀下。

  第二個紅框內是你的user name和node name，這個要記下來。

二、從本地linux連線到DevCloud

  1.下載Linux access key

    開啟剛剛那封郵件中的連結（我用紅框標註的），點選connect：

  向下找到Connecting from Linux or a Mac，點選那部分內容中的Linux access key，下載access key，如下圖：

  2.開啟命令列，配置config檔案。先輸入下面指令：

cd .ssh
ls
vim config

將你郵件中的下面這段內容（紅框內的）拷貝到config檔案中：

！！注：不要照著我的抄上去，因為每個人的使用者資訊不同，下載的金鑰也不同，根據你郵箱中的內容直接拷貝過去就行了。還是建議大家閱讀一下這個教程，寫的很詳細，我這裡也僅僅是將其翻譯一遍。

  3.修改系統檔案

  在命令列中輸入下圖中的指令，還是同上，以郵箱的內容為準，不要拷貝我的：

  4.登陸DevCloud

  在命令列中輸入下面指令（該指令就是登陸到DevCloud的指令，以後登陸都用這個指令）：

ssh colfax
 

  顯示如下：

  說明我們已經成功登陸到了DevCloud！！

三、上傳檔案，提交任務，開始訓練

    現在我們已經登陸到了DevCloud，在這裡我們可以簡單地看做我們登陸到了另一臺linux主機，然而這臺主機的計算能力要遠遠大於我們的膝上型電腦。現在雖然登陸到了這臺主機，但是主機內是空的，沒有任何檔案，我們需要把我們本地已經建立好的，需要訓練用的檔案上傳到DevCloud。

  1.準備訓練所需檔案
    在這裡，我們需要準備5個用於訓練所必須的檔案，分別是訓練集和驗證集的lmdb檔案和均值檔案，我把它們放在了lmdb目錄下：

    還有網路結構檔案和訓練引數配置檔案，我把它放在了model目錄下：

    上面的這些檔案都是我們之前的文章中介紹過的，怎麼生成都講的很詳細，如果還有不清楚的，可以到本篇文章開頭的系列文章索引連結處檢視以前的文章。

  2.將檔案上傳到DevCloud
    首先我在DevCloud下建立了一個資料夾，名為faceR:

    接著再開啟一個命令列，在本地linux下輸入下面的檔案傳輸指令：

    其中，faceR/model是我的model目錄在本地的路徑，讀者需要更換成自己的model路徑，其次後面的u12067是我的使用者ID，讀者也需要更換自己的使用者ID。
    指令輸入完後等一會兒可以看到：

    說明檔案上傳成功，這時候可以在DevCloud下檢視是否已經有了這個資料夾：

    把lmdb目錄按照上面同樣的方法上傳過去，這裡就不再演示了。

  3.建立指令碼檔案
    在DevCloud的faceR目錄下建立一個指令碼檔案：

vim lanuch_training

    在指令碼檔案中加入下面內容：

    注意讀者需要根據自己的路徑做適當修改。

  4.修改網路結構和引數配置檔案的部分路徑。
在train_val.prototxt檔案中，需要修改下圖中紅框內的檔案路徑：

在facialnet_solver.prototxt檔案中需要修改：

把上圖紅色框出的路徑都修改成自己的路徑，需要注意的是最後一個路徑中的myfacialnet不是目錄，而是生成的快照名字，可以取任意名字。

  5.提交任務，開始訓練
     輸入下面指令，提交任務：

qsub lanuch_training

lanuch_training檔案是剛剛寫的指令碼檔案。

到這裡我們的任務就已經提交成功了，DevCloud現在就在幫我們訓練，本專案需要訓練20多分鐘，如果在筆記本上用CPU訓練，要一週多。

四、檢視任務

  1.檢視任務

    在訓練過程中，可以使用qstat指令檢視任務：

說明訓練還沒有完成。
如果輸入qstat指令後，如下圖這樣：

說明訓練已經完成，我們可以檢視訓練日誌以及訓練出的模型。

  2.檢視日誌和模型

    訓練完成後，在faceR目錄下，發現多了4個檔案：

    其中lanuch_training.e47394為訓練日誌，myfacialnet_iter_200000.caffemodel為最終的模型。

    檢視日誌後發現本次實驗的準確率在61%-62%之間，說明發生了過擬合，正常情況下該資料集下的準確率可以達到65%-70%之間，說明我們的網路模型還不夠好，需要調參或是擴大資料集，這是更深一步的工作，在這裡我不介紹如何調參等，因為本篇的目的是讓大家瞭解caffe開發深度學習模型的大概流程。

到這裡，我們本次實驗的重頭戲就已經結束了，訓練出了模型就可以進行下一步測試了，下一篇將會介紹。