MacBook显卡不跑AI模型太浪费：这个深度学习工具支持所有品牌GPU

通过这款名为 PlaidML 的工具，不论英伟达、AMD 还是英特尔显卡都可以轻松搞定深度学习训练了。

众所周知，深度学习是因为 2010 年代英伟达 GPU 算力提升而快速发展起来的，不过如今市面上还有多种品牌的显卡，它们同样拥有不错的性能，后者能不能成为 AI 模型算力的基础呢？

如果答案是肯定的，那我们的笔记本电脑岂不就可以用来跑深度学习模型了，尤其是让我们下了血本的 MacBookPro。

MacBookPro 在科技圈覆盖面颇广，质量也不错，不能拿来做深度学习实在可惜。在选购 MacBook 的过程中，有些人会为了独立显卡而多花点钱，但到了做深度学习的时候却发现这钱花得很冤枉，因为长期以来，多数机器学习模型只能通过通用 GPU 库 CUDA 使用英伟达的 GPU。

但我们真的别无选择吗？medium 的一位博主表示，事实并非如此。一款名为 PlaidML 的深度学习框架可以破解这个困境。

为什么要用 GPU 做并行计算？

以建房子为例：如果单独完成，你需要花费 400 个小时，但如果你雇一个建筑工人，工期就可能减半。雇佣的工人越多，你的房子建得也越快。这就是阿姆达尔定律所揭示的内容。它是一个计算机科学界的经验法则，代表了处理器并行运算之后效率提升的能力。

那么为什么要用 GPU 呢？最初 GPU 并不是为深度学习专门设计的，但并行计算的本质似乎与图形处理类似。单个 GPU 的核心虽然在性能上弱一些，但在处理大数据块的算法上比 CPU 更高效，因为它们具有高度并行的结构，而且核的数量也非常多。由于图形处理和深度学习在本质上的相似性，GPU 就成为了深度学习和并行计算的首选。

除了 CUDA 就没得选了吗？

不过要想用上 GPU 的并行能力，英伟达的 CUDA 就不可回避，这种通用并行计算库是做深度学习所必须的。目前，之所以高性能云计算、DL 服务器都采用英伟达 GPU，主要原因还是在 CUDA。

如果想要充分利用笔记本的并行能力，且 N 卡又配不起，那么这篇文章介绍的 PlaidML 就非常合适了。

项目地址：https://github.com/plaidml/plaidml

PlaidML 是 Vertex.AI 2017 年开源的一款深度学习工具包。2018 年，英特尔收购了 Vertex.AI。之后 PlaidML 0.3.3 发布，开发者可以借助 Keras 在自己的 AMD 和英特尔 GPU 上完成并行深度学习任务。上个月，Vertex.AI 又发布了 PlaidML 的 0.7.0 版本。

PlaidML 是一种可移植的张量编译器，可以在笔记本电脑、嵌入式设备或其他设备上进行深度学习。重要的是，它并不依赖于 CUDA，而是 OpenCL 这种开放标准。

OpenCL 通用并行计算开放标准并不是为 N 卡专门设计的，因此不论你的笔记本 GPU 是 AMD、 Intel，还是 NVIDIA，它都能支持。

很多读者可能认为，OpenCL 的生态没有 CUDA 成熟，可能在稳定性与开发速度上都没那么快。但是，我们可以把复杂的底层机制都交给 PlaidML，我们只需要用就行了。

甚至 PlaidML 我们都不需要接触，它已经集成到了常见的深度学习框架中，并允许用户在任何硬件中调用它。目前 PlaidML 已经支持 Keras、ONNX 和 nGraph 等工具，直接用 Keras 建个模，MacBook 轻轻松松调用 GPU。

下面我们开始进入正题：如何用自己笔记本电脑的 GPU 运行一个简单的 CNN。

用笔记本 GPU 运行一个神经网络

安装和设置 PlaidML 和相关组件

首先，我们要确保自己的笔记本电脑安装了 Python 3 工作环境。作者建议在虚拟环境下运行以下代码：

# install python3 virtualenv if you haven’t done so:  
pip3 install virtualenv  
  
# Now create and activate a virtual environment for the case  
python3 -m venv plaidml-venv  
source plaidml-venv/bin/activate  
  
# Install PlaidML with Keras  
pip install -U plaidml-keras  

记住一点，标准 TensorFlow 框架下的 Keras 无法使用 PlaidML，需要安装 PlaidML 定制的 Keras。

# Now setup PlaidML to use the right device 
plaidml-setup 

设置 PlaidML 第二步。

现在得到了自己选择的设备列表。以作者的电脑 Macbook Pro 15’2018 为例，设备列表如下：

• CPU
• 英特尔 UHD Graphics 630 显卡
• AMD Radeon pro 560x 显卡

最后，键入「y」或「nothing」，返回保存设置。这样以来，我们就已安装所有设备，并且可以使用 GPU 来运行深度学习项目了。

在 fashion mnist 上创建 CNN 分类器

首先，启动 Jupyter Notebook。

Jupyter Notebook 

然后按顺序运行以下代码，将 PlaidML 用作 Keras 后端，否则会默认使用 TensorFlow。

# Importing PlaidML. Make sure you follow this order 
import plaidml.keras 
plaidml.keras.install_backend() 
import os 
os.environ["KERAS_BACKEND"] = "plaidml.keras.backend" 

现在就可以导入包，并下载 fashion 数据集。

import keras 
from keras.models import Sequential 
from keras.layers import Dense, Dropout, Flatten 
from keras.layers import Conv2D, MaxPooling2D 
from keras import backend as K 
 
# Download fashion dataset from Keras 
fashion_mnist = keras.datasets.fashion_mnist 
(x_train, y_train), (x_test, y_test) = keras.datasets.fashion_mnist.load_data() 
 
# Reshape and normalize the data 
x_train = x_train.astype('float32').reshape(60000,28,28,1) / 255 
x_test = x_test.astype('float32').reshape(10000,28,28,1) / 255 

接下来使用 Keras 的序贯模块来创建一个简单的 CNN，并编译它。

# Build a CNN model. You should see "INFO:plaidml:Opening device xxx" after you run this chunk 
model = keras.Sequential() 
model.add(keras.layers.Conv2D(filters=64, kernel_size=2, padding='same', activation='relu', input_shape=(28,28,1)))  
model.add(keras.layers.MaxPooling2D(pool_size=2)) 
model.add(keras.layers.Dropout(0.3)) 
model.add(keras.layers.Conv2D(filters=32, kernel_size=2, padding='same', activation='relu')) 
model.add(keras.layers.MaxPooling2D(pool_size=2)) 
model.add(keras.layers.Dropout(0.3)) 
model.add(keras.layers.Flatten()) 
model.add(keras.layers.Dense(256, activation='relu')) 
model.add(keras.layers.Dropout(0.5)) 
model.add(keras.layers.Dense(10, activation='softmax')) 
 
# Compile the model 
model.compile(optimizer='adam', 
loss=keras.losses.sparse_categorical_crossentropy, 
metrics=['accuracy']) 

现在我们拟合模型，测试一下它的准确率。

# Fit the model on training set 
model.fit(x_train, y_train, 
batch_size=64, 
epochs=10) 
 
# Evaluate the model on test set 
score = model.evaluate(x_test, y_test, verbose=0) 
# Print test accuracy 
print('\n', 'Test accuracy:', score[1]) 

更多结果。

我们训练的卷积神经网络模型在时尚分类任务上达到了 91% 的准确率，训练只用了 2 分钟！这个数字可能看起来并不惊艳，但想想 CPU 训练要多久吧：

用 CPU 完成相同的任务要用 2219 秒（约 37 分钟），MAC 风扇期间还会疯狂输出。

从以上结论中我们可以看到，借助 Macbook Pro 搭载的 GPU 进行深度学习计算要比简单地用 CPU 快 15 倍。通过 PlaidML，使用自己的笔记本电脑训练深度学习模型将变得更加简单。