今天我们将建立我们自己的深度学习终极大杀器。
我们会搜集最好的精华，并且把他们组合成数字终结者。
我们也会讨论如何把最新的深度学习软件架构一步步安装到Ubuntu Linux 16.04中。
在这台机器上运行神经网络就像热激光束穿过黄油一样快捷流畅。你不用花超过129，000美元来购买 Nvidia’s DGX-1，这个AI超级计算机可以放在一个盒子里。我马上要给你展示它的性能，你绝对不可能找到比它表现更好的了。
最后，如果你的预算比较紧张，也别绝望，我会给出其他省钱的选择。
首先一个超便宜的升级选项
注：太长可以不看
在我们深入构建一个深度学习怪兽之前，我想给你一条最容易的路——升级。
如果你不想攒一个全新的机器，你还有一个超棒的选择。
简单地升级你的GPU（采用Titan X或GTX 1080），装一个VMware Workstation或者使用另一种支持GPU加速的虚拟化软件！你还可以仅安装Ubuntu裸机，如果你需要一个Windows系统的计算机，在虚拟机中运行它就行了，这样你的机器就火力全开，可以开始深度学习了。
安装Ubuntu和深度学习架构需要使用的指南在本文的最后。噹噹噹！然后你只需要买一些便宜的配件，就能搞定深度学习超级之星了。
好了，让我们开始吧。
我会把大杀器和省钱优选这两种类型的元件用不同的简称来标识一下：
MINO（不差钱儿）=终极大杀器
ADAD（兜里只剩一块钱，胸中还有一个梦）=经济试用版
终极大杀器元件大聚会
GPU们先来
CPU不再是宇宙中心。人工智能的应用反转了剧本。如果你曾经攒过普通的游戏装备，可能试过把史上最差的英特尔芯片拔出来。
但是时代变了，英伟达成了新的“英特尔”。
深度学习世界中最重要的元件是GPU（们）。
虽然AMD在过去几年的虚拟货币挖掘中遥遥领先，但在人工智能领域仍无建树。这种状况很快会改变，因为他们正在快马加鞭在这个快速扩张的新兴领域攻城掠池，然而现在英伟达仍是王者。当然他们也不会顶着“新英特尔”这个光环停滞不前。他们收购了Nervana系统，并且计划在2017年推出他们自己的深度学习专门集成芯片。
深度学习的GPU首选
让我们从MINO开始介绍。终极GPU是Titan X,它无可匹敌。
它采用3584个 CUDA核心，1531MHZ，还拥有12GB容量的G5X，据说存储速度可达10Gbps。
在深度学习中，核心数量很重要，那些核心附近的存储量也同样。
深度学习其实也没什么，就是一堆线性代数。想象着它是一个超级无敌大的EXCEL表格。处理所有这些数字会把一个标准的4或8核心英特尔CPU累瘫。
把数据移进和移出存储器是一个很大的瓶颈，所以在芯片上布置更多的存储器可以解决这个问题，这就是为什么Titan X是这个世界的王者。
你能以建议零售价1200美元的价格从英伟达买到Titan X。不幸的是，你只能买两个。但这可是终极大杀器啊，我们要买四个！那才是真正的四卡合一!
为了实现这个目标，你要花一点高价从第三方零售商那里购买。我觉得从英伟达买两个再从亚马逊买两个很容易实现。这样花费就到了5300美元，这也是到目前为止这个工作站的最大开支。
如果你打算运行Minecraft游戏，它可能还是看起来满屏像素，但如果你想训练一个模型来战胜癌症，这正是你要的显卡。:)
游戏硬件参考网站会告诉你，任何超过两张图形处理卡显卡的计算机都是远远超过处理性能需求的，但这只是游戏！ 对于人工智能来说，你只会想把显卡装得越多越好。当然，人工智能也有效益平衡点，但是数量接近于几十个或者几百个（取决于算法），不是四个。所以继续加吧，我的朋友。
请注意，你绝对不需要SLI桥，除非你还打算用这台机器玩游戏。这玩意仅仅适用于图形渲染，而我们现在的图形处理很少，这和在matplotlib绘制的大量图表不一样。
省钱版GPU
你的ADAD显卡是GeForce GTX 1080基本版。1080包括2560个CUDA核心，比Titan X少了许多，但是只需花费一半的价钱，建议零售价是699美元。
它的RAM也更少，只有8GB而不是12GB。
我已经在使用EVGA了，表现很好，所以在你的机器上加装四个这家伙吧。2797与5300美元相比较，节省了许多经费，性能表现却几乎相同。
ADAD的第二优选是GeForce GTX 1070。它装备了1920个CUDA核心，所以也是一个很好的选择。它的建议零售价是499美元，但是超频版的EVGA 1070s只需花389美元，所以价格是更实惠的1556美元。非常可行。
当然，如果你没有这么多钱，可以买两或三张卡。甚至只有一个也能让你朝正确的方向前进。
让我们算个数，用两三张显卡达到最佳目的。
3 个Titan X = 10,752 CUDA 核心, 36GB 的 GPU RAM = $3800
2 个 Titan X = 7,167 CUDA 核心, 24 GB 的GPU RAM = $2400
3 个 GTX 1080 = 7,680 CUDA 核心, 24GB的GPU RAM = $2097
2 个 GTX 1080 = 5,120 CUDA 核心, 16GB 的 GPU RAM = $1398
3 个 GTX 1070 = 5,760 CUDA 核心, 24GB 的 GPU RAM = $1167
2个GTX 1070 = 3,840 CUDA 核心, 16GB 的GPU RAM = $778
最佳选择是3 GTX的1080s。使用一半的价格只减了3072个核心。独家揭秘：我就是这样建立我的工作站的。
固态硬盘和连续运转驱动
你需要一个固态硬盘，特别是当你构建卷积神经网络并处理大量图像数据时。三星的850 EVO型的1 TB固态硬盘是当前的至尊极品。更妙的是，固态硬盘的价格最近几年出现了暴跌，所以不会破费太多。1 TB 的850型现在只要大约319美元。
ADAD版本的850是250GB的版本，你花98美元就可以轻易地买到它。
您还需要一个连续运转驱动器来存储下载的数据。 深度学习中的数据集可能很大。一台4 TB的希捷Barracuda就能搞定。
主板
因为我们想把四个显卡集成到你的机箱中，你可选择的主板就很少了。为了满足在四个显卡的情形下主板能支持最高的总线速度，我们需要微星的超级游戏 X99A SLI Plus。
你也可以选择华硕X99 Deluxe II。
如果你的显卡少于4个，你就有了更多的选项。对于主板来说，我觉得稳定性最重要。这是血的教训，在攒虚拟货币挖掘装备时我就吃了大亏。 如果你经常运行你的GPU，不稳定的主板会把你的机器很快烧毁。技嘉公司制作出非常耐用的主板产品系列。X99 Ultra Gaming产品绝对稳如磐石，价格237美元。
机箱
Cooler Master Cosmos II是终极完美的全塔式机箱。它采用铝和钢制成，设计成和赛车类似的流线型风格，是台美丽的机器。
如果你想要一个中塔式机箱，用Cooler Master Maker 5T绝对错不了。
我怎么也不会赞同买一台便宜机箱。如果这样，一旦打开机箱检修故障，你就会发觉当初真是脑子进了水。无需修理的机箱才是好机箱。有许多高性价比的机箱，所以提前做好功课吧。
CPU（中央处理器）
你的深度学习机器不需要太高的CPU性能。大多数应用程序是单线程的，而从应用中加载数据的GPU才是需要多核心工作的地方。所以别把钱花在这儿。
也就是说，你也可以使处理器达到最快的处理速度，对于i7-6700K来说就是4GHz。你可以用风扇让它一直维持这个速度。但坦率说，这是可笑的过分要求，但是价格已经降了很多，而我只需要单线程性能。这就是你要的CPU了。
如果你想安静一点，可以选择液体散热的CPU，但是你一般也不会把CPU用那么厉害。大多数的风扇噪音都是从GPU那里来的。
这里没有ADAD的替代品了。3.5GHz频率的i5处理器带液体制冷，它的价位和4GHz的i7相同，所以何必麻烦呢？
电源
要配置一套支持双卡四芯的顶级设备，EVGA的Supernova G2 1600W电源将会是最好的投资，而它大概会花上你305美元。
Titan X高达250W的热设计功率可轻松占去1000W，那么
留给CPU、内存和系统的功率就不太多了，所以最好配备承受范围内功率最大的电源，这样能留出来的部分就更多一些。
如果你的预算有些紧张，那就选择性价比更高的1300W电源吧，只需184美金就能到手。
软件配置
目前硬件的部分就完成了，我们来看看软件部分吧。
你有三个选择：
利用Docker容器（注：一个开源的应用容器引擎）
使用虚拟机
安装裸机
若是选择使用Docker，那么建议从Nvidia-Docker项目入手（ the official Nvidia-Docker）。不过，要想真正把框架库文件和编程语言都搞定的话，你还得在此镜像基础上安装很多东西。
你可以选择一款集成式的深度学习容器，比如Github上的Docker。
本来我还挺喜欢这个集成Docker镜像，不过它有些小毛病，想想安装设置的过程那么复杂，倒也没什么奇怪的了。
我找到了其中一个问题(libopenjpeg2 现在在Ubuntu 16.04 LTS中是 libopenjpeg5)的解决办法，但是不高兴再想怎么解决其他的了，所以目前为止我还在等官方来搞定。如果你是那种热衷解决Dockerfiles漏洞并反馈给Github的人，我真心鼓励你去给这个集成项目帮帮忙。
另一个比较大的问题就是这个Docked 镜像文件实在是太大了，大到因为下载超时没办法直接从 Dockerhub上找资源。这就意味着你必须自己动手构建一个，然而这么做要花上好几个小时去编译、搭新层、调试，这么多的时间都差不多足够倒腾裸机了。
最后还要说一点，有些我想用的东西Docker也不提供，比如Anaconda Python。
所以最终我还是决定参考教程the all-in-one bare metal tutorial（集成裸机指南），并且在它的基础上升级一下，再加入一些个性化配置。
虚拟机
和我之前在太长可以不看那个部分里的说的一样，你是绝对可以通过安装支持虚拟GPU的专业VMware 工作站（注：一款虚拟机软件）来提升手头上的游戏电脑性能的，而且这么做还不用花多少钱，太适合预算有限的人了。除此之外，VMware 工作站还有许多优点，比如它支持在一台主机上同时运行、切换多个虚拟机，你甚至可以用快照来记录当前的配置环境，在后续的操作过程中若是出现错误，就能够通过它来还原到出错误之前的状态。虽说用VMware虚拟机没有Docker上手快，不过目前VM技术已经非常成熟了，熟悉之后你就会发现有很多工具可用，使用体验绝对一流。
裸机
最后我还是选择了裸机。这个方法有点土了，不过作为资深系统管理员，我觉得还是它最靠谱，毕竟一切都在掌控之中。
开始之前，我先说几个关于深度学习软件的重点。
其实绝大部分的AI研究都是用Python写的，因为它简单易学好操作。我不敢保证在AI正式进入人们的生产生活之后 Python会成为最主要的语言，但就目前来说Python是很有必要掌握的。有不少重要框架在它的基础上运行，而且Python有着非常强大而丰富的库，这是其他语言不能比的。
此外，R语言和Scala也很受欢迎，对它们也要多多重视。
下面这个清单列出了设置裸机时我们主要需要的东西。
语言
Anaconda(对应Python 3.6扩展版)－Anaconda是一个性能非常强大的Python发行版本，包含了100多个数据科学适用的Python,R语言和Scala的热门安装包。
R－用于统计计算和统计绘图的语言和操作环境
Scala －Scala全称为Scalable Language，是一门类似于JAVA而且性能极佳的的模块化语言。
驱动和应用程序编程接口
Nvidia驱动程序
CUDA－一种由Nvidia推出的通用并行计算架构和应用程序编程接口模型。
cuDNN－一套Nvidia专门为深度神经网络设计的GPU计算加速库。
辅助应用程序
Jupyter－一个超级赞的web应用程序，便于用户共享文档并且支持实时代码。
框架／库
TensorFlow－谷歌的开源DL框架，可以说支撑起了部分产品，比如谷歌翻译。
Theano－一个靠谱而且受欢迎的机器学习框架。
Caffe－来自伯克利的深度学习框架。
Torch－一个GPU优先的科学计算框架，广泛支持机器学习算法。
MXNET－可扩展性极强的DL系统，得到了亚马逊和一些大学的支持。
优秀的抽象库
Keras－一个很棒的用Python语言编写的神经网络库，基于TensorFlow或Theano开发
Lasagne－用于构造和训练神经网络的轻量库。
Python库
基本上任何科学的计算系统都需要大量的库来保证运行效率，所以我们马上来装上一些最常用的库吧。
Pip＝Python安装包管理工具
Pandas＝高性能数据分析库
Scikit-learn ＝强大机器学习库
Numpy＝Python的一种开源的数字扩展
Matplotlib＝可视化库（注：Python的2D绘图库）
Scipy＝数值计算库
IPython ＝交互式Python
Scrappy＝网络数据爬取框架
NLTK＝自然语言工具箱
Pattern＝网络挖掘库
Seaborn＝统计数据可视化
OpenCV＝计算机视觉库
Rpy2＝R语言接口
Py-graphviz＝统计数据绘图
OpenBLAS ＝线性代数库
设置Linux工作站
要解决科技前沿问题，最新版本的Ubuntu LTS是必要的选择。（在我写下这篇文章时的版本是16.04）我很期待在将来能够看到更多教程详细介绍Red Hat Enterprise Linux和它的重新编译产品，像是CentOS和Scientific Linux，不过就现在来说，我们还是用Ubuntu来研究深度学习吧。当然了，之后我可能会继续讨论以Red Hat Enterprise Linux为中心的构造。
用Rufus把Ubuntu装进U盘里。
在统一的可扩展固件接口（UEFI）模式下安装好Ubuntu。
第一次boot
第一次boot之后会黑屏，这是因为开源驱动跟不上最新、最好的芯片。按照以下步骤解决：
电脑在boot的时候,打开TTY设备：
Ctrl + Alt + F1
打开最新的Nvidia驱动，然后reboot：
登陆TTY中的root账号
运行 `sudo apt-get purge nvidia-*`
运行 `sudo add-apt-repository ppa:graphics-drivers/ppa 之后是 sudo apt-get update`
运行`sudo apt-get install nvidia-375`
Reboot，这时图像的问题应该就解决了。
升级电脑
打开计算机终端，输入下面的代码：
```
sudo apt-get update -y
sudo apt-get upgrade -y
sudo apt-get install -y build-essential cmake g++ gfortran git pkg-config python-dev software-properties-common wget
sudo apt-get autoremove
sudo rm -rf /var/lib/apt/lists/*
```
CUDA
从英伟达官网上下载CUDA 8安装包，打开下载目录然后安装好CUDA。
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local.deb
sudo apt-get update -y
sudo apt-get install -y cuda
加载CUDA为环境变量
echo ‘export PATH=/usr/local/cuda/bin:$PATH’ >> ~/.bashrc
echo ‘export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH’ >> ~/.bashrc
source ~/.bashrc
检查以确认安装的CUDA版本正确：
nvcc –V
重启电脑：
sudo shutdown -r now
检查CUDA安装情况
首先，安装CUDA样本：/usr/local/cuda/bin/cuda-install-samples-*.sh ~/cuda-samples
cd ~/cuda-samples/NVIDIA*Samples
make -j $(($(nproc) + 1))
然后在命令结果上做记录，用+1表示电脑所具有的GPU数量，如果出现多于一个的情况，只要把数字加上去就可以了，这样不论是安装还是编译，速度都会快上很多。
接着运行deviceQuery并确保显卡的情况能够顺利被检测，还要保证测试被通过：
bin/x86_64/linux/release/deviceQuery
cuDNN
cuDNN是DNN的GPU加速库，不幸的是，你没办法从repo里下一个，要在Nvidia上注册并申请获得许可，点击此链接前往申请。等待获批的时间少则几个小时，多则几天，拿到许可之后请下载版本4或5，在这个教程中我安装的是版本5。
进行下一步之前，请耐心等待直到装好cuDNN为止，否则其他以cuDNN为基础的框架可能会安装失败。
提取并复制文件：
cd ~/Downloads/
tar xvf cudnn*.tgz
cd cuda
sudo cp */*.h /usr/local/cuda/include/
sudo cp */libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
输入以下代码以做检查：
nvidia-smi
顺利的话，计算机会输出一些GPU数据。
Python
sudo apt-get install -y python-pip python-dev
sudo apt-get update && apt-get install -y python-numpy python-scipy python-nose python-h5py python-skimage python-matplotlib python-pandas python-sklearn python-sympy libfreetype6-dev libpng12-dev libopenjpeg5
sudo apt-get clean && sudo apt-get autoremove
rm -rf /var/lib/apt/lists/*
现在通过Pip（安装包工具）将其余库安装完毕
pip install seaborn rpy2 opencv-python pygraphviz pattern nltk scrappy
Tensorflow
一句话搞定，爽！
测试Tensorflow
$ python
...
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>
OpenBLAS
sudo apt-get install -y libblas-test libopenblas-base libopenblas-dev
Jupyter
Juypter是一个超级棒的代码共享脚本，你可以轻松地用它分享含有代码和教程的“笔记”。在下一篇文章里我会详细介绍它的功能。
pip install -U ipython[all] jupyter
Theano
准备好需要的配置之后就可以安装Theano了
sudo apt-get install -y python-numpy python-scipy python-dev python-pip python-nose g++ python-pygments python-sphinx python-nose
sudo pip install Theano
是的没错，Theano首字母确实要大写。
测试一下有没有装好Theano，要是安装成功的话在执行输入命令的时候不会有任何警告和错误：
python
>>> import theano
>>> exit()
nosetests theano
Keras
Keras是一款能够基于Theano 和 Tensorflow开发的抽象包装类，非常棒而且很受欢迎。它的安装过程和用法简单的不能再简单了，甚至有点无聊。
sudo pip install keras
Lasagne
Lasagne是另一款被广泛使用的优秀包装器，它比起Keras还要更灵活一些，这样你就可以轻轻松松天马行空、脑洞大开。如果说Keras的受追捧表示对深度学习的研究开始步入正轨，那么Lasagne也许会引领下一个阶段。下面是它的安装指南：
pip install -r https://raw.githubusercontent.com/Lasagne/Lasagne/v0.1/requirements.txt
MXNET
MXNET是一个由亚马逊支持，可扩展性极强的框架。点击链接跳转至安装教程。另外，Python 适用的MXNet安装脚本链接在这。
在Ubuntu上安装MXNET
来自网页：
MXNet目前支持Python, R, Julia, 和 Scala语言。在Ubuntu操作系统上，MXNet提供一套可以安装所有需要的MXNet依赖项和库的Git Bash脚本给使用Python和R语言的用户。这一简易安装脚本可以在运行Ubuntu 12或更高版本的电脑上完成Python及 R语言适用的MXNet设置。该脚本将把MXNet安装在您的home文件夹~/mxnet中。
给Python安装MXNet
克隆MXNet的库，在终端运行以下命令(没有”sudo”)
git clone https://github.com/dmlc/mxnet.git ~/mxnet --recursive
我们在使用GPU，所以要加入一些配置到config.mk file中去。
cd ~/mxnet
cp make/config.mk .
echo "USE_CUDA=1" >>config.mk
echo "USE_CUDA_PATH=/usr/local/cuda" >>config.mk
echo "USE_CUDNN=1" >>config.mk
添加到路径：
source ~/.bashrc
安装R语言适用的MXNet
我们之后会用到R语言的，所以现在就一起装了吧。点击链接跳转至R语言适用的MXNet的安装脚本。在设置好R语言之后下面的这些步骤可以调用脚本。
首先添加R repo:
sudo echo “deb http://cran.rstudio.com/bin/linux/ubuntu xenial/” | sudo tee -a /etc/apt/sources.list
其次把R添加到Ubuntu Keyring:
gpg — keyserver keyserver.ubuntu.com — recv-key E084DAB9
gpg -a — export E084DAB9 | sudo apt-key add –
然后安装R-Base：
sudo apt-get install r-base r-base-dev
再安装R-Studio(如果版本号不同要修改命令)
sudo apt-get install -y gdebi-core
wget https://download1.rstudio.org/rstudio-0.99.896-amd64.deb
sudo gdebi -n rstudio-0.99.896-amd64.deb
rm rstudio-0.99.896-amd64.deb
最后安装R 适用的MXNet :
cd ~/mxnet/setup-utils
bash install-mxnet-ubuntu-r.sh
Caffe
安装指导来自the Caffe 网站，我发现他们有些迷之飘忽不定，不过每个人的受益可能不同。坦白说，我不怎么用Caffe，而且其他很多新手教程也不太讲它，所以如果你觉得这部分有些操蛋，那就直接跳过好了，哪天需要的时候再来看就好。
安装前提：
sudo apt-get install -y libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install -y --no-install-recommends libboost-all-dev
sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev
克隆Caffe repo:
cd ~/git
git clone https://github.com/BVLC/caffe.git
cd caffe
cp Makefile.config.example Makefile.config
在Makefile中用cuDNN 设置参数: USE_CUDNN := 1 :
sed -i ‘s/# USE_CUDNN := 1/USE_CUDNN := 1/‘ Makefile.config
修改BLAS的open参数值：
sed -i 's/BLAS := atlas/BLAS := open/' Makefile.config
安装好所需的东西，然后构建Caffe，构建测试并确保顺利通过所有测试。记住这些工作将花费一些时间。另外再次记住+1表示构造Caffe 所需GPU的数量，数量超过一个的时候要加上去。
sudo pip install -r python/requirements.txt
make all -j $(($(nproc) + 1))
make test -j $(($(nproc) + 1))
make runtest -j $(($(nproc) + 1))
搭建PyCaffe，Python到Caffe的接口
make pycaffe -j $(($(nproc) + 1))
加载Caffe为环境变量
echo ‘export CAFFE_ROOT=$(pwd)’ >> ~/.bashrc
echo ‘export PYTHONPATH=$CAFFE_ROOT/python:$PYTHONPATH’ >> ~/.bashrc
source ~/.bashrc
测试以确认Caffe安装成功。要是成功的话在执行输入命令的时候不会有任何警告和错误：
ipython
>>> import caffe
>>> exit()
Torch
下面是Torch安装指南，我个人在安装这个框架的时候遇到一些问题，不过基本上绝大部分人用它都没问题的。
git clone https://github.com/torch/distro.git ~/git/torch — recursive
cd torch; bash install-deps;
./install.sh
Scala
sudo apt-get -y install scala
Anaconda
下载 Anaconda for Python 3.6 ，同时也提供2.7.x版本选择。
安装：
sudo bash Anaconda3–4.3.0-Linux-x86_64.sh
千万不要把它添加到bashrc文件，否则当你reboot的时候，Python就会系统预置为Anaconda。这个操作在脚本中是被系统预设为“no”的，但你可能还是会像我最初那样被鬼迷了心窍。千万别，相信我，你会希望保持系统预置的，因为有一堆依赖项依赖于Ubuntu的Python。
此外，Anaconda支持用户创造版本之间灵活切换的环境。
让我们创建两个Anaconda环境:
conda create -n py2 python=2.7
conda create -n py3 python=3.6
激活py3的环境：
source activate py3
source activate py3
完成所有包的安装：
conda install pip pandas scikit-learn scipy numpy matplotlib ipython-notebook seaborn opencv scrappy nltk pattern
然后通过pip安装Conda（Anaconda的管理工具）内不提供的pygraphviz和R语言桥：
pip install pygraphviz rpy2
Reboot:
sudo shutdown -r now
给Anaconda安装Tensorflow, Theano, 和 Keras
你要给Python 2和3两个版本的Anaconda安装这些库，他们自带性能最优化，所以用这些Anaconda支持的库能获得更好的效果。
让我们从Python 3开始:
source activate py3
pip install tensorflow Theano keras
接着休眠Python 3，激活py2环境。
source deactivate
激活py2环境：
source activate py2
给py2安装:
pip install tensorflow Theano keras
休眠环境：
source deactivate
凭借我们为与Ubuntu匹配的标准Python所安装的所有框架，最后你得到的就是内置Python 2.7.x的标准Ubuntu框架。
结论
终于搞定了。跟着这个教程一步步做下来，现在你应该已经有了一台顶级机器，或者是实惠一点的经济适用版。当然，最新、最好的适合深度学习的软件也已经装好了。
那么，准备好打几场硬仗吧。仔细研究研究教程，就可以动手了！ 要密切留意这一系列我的下一篇文章哦，我将会深挖Kaggle数据科学界的超级碗 。2017年竞赛主题是寻找战胜肺癌的可能，奖金总计高达一百万美元！
原文发布时间为：2017-04-26
本文来自云栖社区合作伙伴“大数据文摘”，了解相关信息可以关注“BigDataDigest”微信公众号
