本文以使用RAPIDS加速图像搜索任务为例，介绍如何在预装镜像的GPU实例上使用RAPIDS加速库。
使用本教程进行操作前，请确保您已经注册了阿里云账号。如还未注册，请先完成账号注册。
RAPIDS，全称Real-time Acceleration Platform for Integrated Data Science，是NVIDIA针对数据科学和机器学习推出的GPU加速库。更多RAPIDS信息请参见官方网站。
基于图像识别和搜索，图像搜索任务可以实现以图搜图，在不同行业应用和业务场景中帮助您搜索相同或相似的图片。
图像搜索任务背后的两项主要技术是特征提取及向量化、向量索引和检索。本文案例中，使用开源框架TensorFlow和Keras配置生产环境，然后使用ResNet50卷积神经网络完成图像的特征提取及向量化，最后使用RAPIDS cuML库的KNN算法实现BF方式的向量索引和检索。
说明： BF（Brute Force）检索方法是一种百分百准确的方法，对距离衡量算法不敏感，适用于所有的距离算法。
本文案例在阿里云gn6v（NVIDIA Tesla V100）实例上执行。执行案例后，对比了GPU加速的RAPIDS cuml KNN与CPU实现的scikit-learn KNN的性能，可以看到GPU加速的KNN向量检索速度为CPU的近600倍。
本文案例为单机单卡的版本，即一台GPU实例搭载一块GPU卡。
操作步骤
执行以下操作完成一次图像搜索任务：
步骤一：创建GPU实例
具体步骤请参见使用向导创建实例。
- 实例：RAPIDS仅适用于特定的GPU型号（采用NVIDIA Pascal及以上架构），因此您需要选择GPU型号符合要求的实例规格，目前有gn6i、gn6v、gn5和gn5i。本文案例中，选用了ecs.gn6v-c8g1.2xlarge实例规格。
-
镜像：在镜像市场中使用关键字RAPIDS，搜索并使用预装了RAPIDS加速库的镜像。
 - 安全组：选择的安全组需要开放TCP 8888端口，用于支持访问JupyterLab服务。
步骤二：启动和登录JupyterLab
-
连接GPU实例，运行以下命令启动JupyterLab服务。
说明： 连接GPU实例的步骤请参见连接方式导航。
# Go to the notebooks directory. cd /rapids # Run the following command to start JupyterLab and set the logon password: jupyter-lab --allow-root --ip=0.0.0.0 --no-browser --NotebookApp.token='your logon password' # Exit jupyterlab: press Ctrl+C twice. - 在您的本地机器上打开浏览器。输入
http://(IP address of your GPU instance):8888远程访问JupyterLab。说明： 推荐使用Chrome浏览器。
- 输入启动命令中设置的密码，然后单击Log in。
步骤三：执行图像搜索案例
- 进入案例所在目录rapids_notebooks_v0.7/cuml。
- 双击cuml_knn.ipynb文件。
-
单击
。**说明：** 单击一次执行一个cell，请单击至案例执行结束，详细说明请参见[案例执行过程](#section_vqt_ih6_0t7)。 
案例执行过程
图像搜索案例的执行过程分为三个步骤：处理数据集、提取图片特征和搜索相似图片。本文案例结果中对比了GPU加速的RAPIDS cuml KNN与CPU实现的scikit-learn KNN的性能。
-
处理数据集。
-
下载和解压数据集。 本文案例中使用了STL-10数据集，该数据集中包含10万张未打标的图片，图片的尺寸均为：96 x 96 x 3。您可以使用其他数据集，为便于提取图片特征，请确保数据集中图片的尺寸相同。
本文案例提供了`download_and_extract(data_dir)`方法供您下载和解压STL-10数据集。RAPIDS镜像中已经将数据集下载到./data目录，您可以执行`download_and_extract()`方法直接解压数据集。  -
读取图片。 从数据集解压出的数据为二进制格式，执行
read_all_images(path_to_data)方法加载数据并转换为NHWC（batch, height, width, channels）格式，以便用Tensorflow提取图片特征。 -
展示图片。 执行
show_image(image)方法随机展示一张数据集中的图片。 -
分割数据集。 按照9:1的比例把数据集分为两部分，分别用于创建图片索引库和搜索图片。
-
-
提取图片特征。 使用开源框架Tensorflow和Keras提取图片特征，其中模型为基于ImageNet数据集的ResNet50（notop）预训练模型。
-
设定Tensorflow参数。 Tensorflow默认使用所有GPU显存，我们需要留出部分GPU显存供cuML使用。您可以选择一种方法设置GPU显存参数：
-
方法1：依据运行需求进行显存分配。
config.gpu_options.allow_growth = True
-
-
- 方法2：设定可以使用的GPU显存比例。本案例中使用方法2，并且GPU显存比例默认设置为0.3，即Tensorflow可以使用整块GPU显存的30%，您可以依据应用场景修改比例。
config.gpu_options.per_process_gpu_memory_fraction = 0.3 
2. 下载ResNet50（notop）预训练模型。 连接公网下载模型（大小约91M），下载完成后默认保存到/root/.keras/models/目录。
|参数名称|说明|
|----|--|
|weights|取值范围： - None：随机初始化权重值。
- imagenet：权重值的初始值设置为通过ImageNet预训练过的模型的权重值。本案例中设置为imagenet。
|
|include\_top|取值范围： - True：包含整个ResNet50网络结构的最后一个全链接层。
- False：不包含整个ResNet50网络结构的最后一个全链接层。本案例中，使用神经网络模型ResNet50的主要目的是提取图片特征而非分类图片，因此设置为False。
|
|input\_shape|可选参数，用于设置图片的输入shape，仅在include\_top设置为False时生效。您必须为图片设置3个inputs channels，且宽和高不应低于32。此处设为\(96, 96, 3\)。|
|pooling|在include\_top设置为False时，您需要设置池化层模式，取值范围： - None：输出为4D tensor。
- avg：平均池化，输出为2D tensor。
- max：最大池化，输出为2D tensor。本案例中设置为max。|
您可以执行`model.summary()`方法查看模型的网络结构。
3. 提取图片特征。 对分割得到的两个图片数据集执行`model.predict()`方法提取图片特征。
-
搜索相似图片。
- 使用cuml KNN搜索相似图片。 通过
k=3设置K值为3，即查找最相似的3张图片，您可以依据使用场景自定义K值。其中，
knn_cuml.fit()方法为创建索引阶段，knn_cuml.kneighbors()为搜索近邻阶段。
KNN向量检索耗时791 ms。
- 使用scikit-learn KNN搜索相似图片。 通过
n_neighbors=3设置K值为3，通过n_jobs=-1设置使用所有CPU进行近邻搜索。说明： ecs.gn6v-c8g1.2xlarge的配置为8 vCPU。
KNN向量检索耗时7分34秒。
-
对比cuml KNN和scikit-learn KNN的搜索结果。 对比两种方式的KNN向量检索速度，使用GPU加速的cuml KNN耗时791 ms，使用CPU的scikit-learn KNN耗时7min 34s。前者为后者的近600倍。
验证两种方式的输出结果是否相同，输出结果为两个数组：
- distance：最小的K个距离值。本案例中搜索了10000张图片，K值为3，因此
distance.shape=(10000,3)。 - indices：对应的图片索引。
indices.shape=(10000, 3)。
由于本案例所用数据集中存在重复图片，容易出现图片相同但索引不同的情况，因此使用distances，不使用indices对比结果。考虑到计算误差，如果两种方法得出的10000张图片中的3个最小距离值误差都小于1，则认为结果相同。
- distance：最小的K个距离值。本案例中搜索了10000张图片，K值为3，因此
- 使用cuml KNN搜索相似图片。 通过
图片搜索结果
本案例从1万张搜索图片中随机选择5张图片并搜索相似图片，最终展示出5行4列图片。
第一列为搜索图片，第二列至第四列为图片索引库中的相似图片，且相似性依次递减。每张相似图片的标题为计算的距离，数值越大相似性越低。
