动手学深度学习——Kaggle小白入门

本文主要是介绍动手学深度学习——Kaggle小白入门，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

1. kaggle注册

注册网址：https://www.kaggle.com

注册账号不需要代理，但手机号验证需要代理。如果要使用GPU或TPU，则需要进行手机号验证。

手机号验证位置：右上角头像的settings界面。

手机号验证时会有几个问题：

无验证码，提示：Captcha must be filled out.

原因：人机验证组件在国内被拦截，所以看不到验证按钮，需要代理才能看到人机身份验证。

如果出现人机验证窗口，必须在代理状态下才能激活。一旦激活之后，必须切回正常状态，再进行国内的电话验证，不然代理的区域，跟验证电话的区域不一致，会报验证失败。

手验证完结果：PhoneVerification一栏必须是verified才可以。

更详细的手机验证方法见文章最后参考资料中的链接。

2. 新建notebook

写代码前需要先创建notebook。

创建完后操作界面如下图所示，左边为代码区，右边为数据区。

notebook创建完后，默认会自动创建两个目录：输入/kaggle/input和输出/kaggle/output。
代码区会自动生成一段默认代码，功能是打印输入目录中的文件列表。

这个notebook的具体操作与jupyter notebook完全一致。

在这里插入图片描述
此notebook在创建时已经默认安装了python环境和pytorch库。

3. 传数据

模型训练都需要使用大批量的专用数据集，传数据可分为两种操作：

Add Input：添加kaggle平台上已有数据集。
upload：上传数据集，支持本地压缩文件，也支持指定一个远程的URL来下载

不论哪种操作方式，传的数据都会保存到/kaggle/input文件夹中。

这里以Add Input为例来演示如何传数据。

添加好数据集后如下所示：

此时，我们运行代码区的默认代码，就能打印出刚添加的数据集文件列表。
在这里插入图片描述
可以尝试用pandas库来读取下数据：

具体pandas操作方法可参考：动手学深度学习——pandas

df = pd.read_csv("/kaggle/input/fashionmnist/fashion-mnist_train.csv")
print(df.shape)>>> (60000, 785)

可以看到，该数据集有60000行、785列。

再尝试读取下前三行数据的内容。

print(df.iloc[0:3,:])label  pixel1  pixel2  pixel3  pixel4  pixel5  pixel6  pixel7  pixel8  \
0      2       0       0       0       0       0       0       0       0   
1      9       0       0       0       0       0       0       0       0   
2      6       0       0       0       0       0       0       0       5   pixel9  ...  pixel775  pixel776  pixel777  pixel778  pixel779  pixel780  \
0       0  ...         0         0         0         0         0         0   
1       0  ...         0         0         0         0         0         0   
2       0  ...         0         0         0        30        43         0   pixel781  pixel782  pixel783  pixel784  
0         0         0         0         0  
1         0         0         0         0  
2         0         0         0         0  [3 rows x 785 columns]

FashionMnist是一个时装分类的图像数据集，每条数据的第一列为标签分类（0-9），表示10种时装分类。后面784列表示28x28图像展开后每一个像素的值。

iloc是pandas的一个切片操作，与python中的数组切片功能相似，不同的是：python中是对一维数组进行切片，iloc可以同时对多维数组进行切片。

4. 使用GPU

默认情况下，创建的notebook都是没有启用GPU的，可以通过简单API来查看运行环境上的CPU和GPU信息。

import os 
import torchprint(f"cpu nums:{os.cpu_count()}")# 检查是否有可用的 GPU
if torch.cuda.is_available():# 获取 GPU 设备信息for i in range(torch.cuda.device_count()):gpu = torch.cuda.get_device_properties(i)print("GPU {}:".format(i))print("型号：", gpu.name)print("核心数：", gpu.multi_processor_count)  # 核心数print("显存大小：", gpu.total_memory // (1024**2), "MB")  # 显存大小，转换为 MBprint("-----------")
else:print("没有可用的 GPU。")

cpu nums:4
没有可用的 GPU。

启用GPU：右边的功能框找见Session options—>accelerator—>选择GPU T4 x2。

此时再运行上面的GPU设备检测代码，已经有了GPU设备信息：

cpu nums:4
GPU 0:
型号： Tesla T4
核心数： 40
显存大小： 15102 MB
-----------
GPU 1:
型号： Tesla T4
核心数： 40
显存大小： 15102 MB
-----------

简单使用下GPU做矩阵乘法运算：

GPU主要用来加速pytorch，tensorflow，pandas、numpy是不会加速的。

# 创建两个随机张量
a = torch.rand(3, 4)
b = torch.rand(4, 3)# 将张量移动到GPU上
if torch.cuda.is_available():a = a.cuda()b = b.cuda()c = torch.matmul(a, b)print(f"a: {a}")print(f"b: {b}")print(f"c: {c}")

a: tensor([[0.1732, 0.5473, 0.1821, 0.8392],[0.5551, 0.6203, 0.9935, 0.3267],[0.4213, 0.0994, 0.7320, 0.7110]], device='cuda:0')
b: tensor([[0.9064, 0.8337, 0.6155],[0.7991, 0.4399, 0.3409],[0.8997, 0.2004, 0.2329],[0.2817, 0.1979, 0.8481]], device='cuda:0')
c: tensor([[0.9946, 0.5877, 1.0473],[1.9847, 0.9994, 1.0616],[1.3201, 0.6824, 1.0667]], device='cuda:0')