《智能系统与技术丛书 生成对抗网络入门指南》—2.4Floyd：使用深度学习云平台运行程序

2.4　Floyd：使用深度学习云平台运行程序

2.4.1　深度学习云平台简介

       在深度学习的研究中通常会涉及大量的复杂神经网络结构，比如卷积神经网络（CNN）、循环神经网络（RNN）等。生成对抗网络的训练中也会涉及大量深度学习的神经网络运算，我使用的电脑为Macbook Pro，本书会尽可能保证使用的示例代码可以在读者的笔记本电脑上运行，但是有些情况下单靠笔记本电脑的CPU运算起来会比较费劲，运算时间也非常长。尤其是卷积神经网络（CNN），其包含了大量的矩阵运算，本质上非常适合通过GPU进行训练，而对CPU来说简直是一种灾难。

       在深度学习的学习和实践中，可以选择配置一台GPU性能较强的台式电脑或者直接租用一些网络服务商的GPU服务器，以用于网络模型的训练，但对于大部分入门者来说，成本相对较高，而且在配置设备的过程中可能会碰到很多问题。本书推荐的一种解决方案是使用以Floyd为代表的深度学习云平台。Floyd是一种PaaS服务，用户可以不用关注硬件设备的细节配置方法，只需关注模型本身的实现即可。本节以Floyd为例介绍如何使用它来作为训练模型工具。

       Floyd是一个便捷高效的深度学习云平台（见图2-15），它的整体用户交互非常友好，可以很快地接入到本地的深度学习项目中。在本地项目代码调试完毕后，可以使用Floyd的命令行工具来对接GPU服务器以直接训练模型。

图2-15　Floyd网站页面

       硬件运维是研发过程中最令人头疼的部分，往往一个硬件配置上的问题会消耗大量时间。Floyd这类深度学习云平台推崇的就是无运维的深度学习研究，可以“解放”研究人员，以便其将时间和精力专注于研究模型与算法本身。

       Floyd配套了一系列工具，包括对于可交互编程的Jupyter Notebook的支持、端到端的版本控制等，甚至还支持直接将模型部署为网络API。此外，Floyd还有一套团队版服务，用于多人研究团队基于一个集中化的GPU环境共同开发深度学习项目。