AI应用开发实战 - 从零开始搭建macOS开发环境
本视频配套的视频教程请访问：https://www.bilibili.com/video/av24368929/
建议和反馈，请发送到 https://github.com/Microsoft/vs-tools-for-ai/issues
联系我们 OpenmindChina@microsoft.com
零、前提条件
- 一台能联网的电脑，使用macOS操作系统
- 请确保鼠标、键盘、显示器都是好的
一、工具介绍
Viusal Studio code
Visual Studio Code 是微软继Visual Studio 宇宙第一IDE后出品的又一利器，是一款完全免费的文本编辑器。
Visual Studio Code 支持Windows、Linux和Mac三大操作系统，有着一流的响应速度，不论是本身的启动，还是加载目录、打开浏览大文件的速度，都十分迅速；这款文本编辑器的可扩展能力也十分强大，在其活跃生态的支持下，提供了大量的插件供开发者自行配置，比如对各种小众语言的支持、数据访问、键盘布局等等；另外，它在配置上非常灵活，但大多是基于json的文本配置，使用起来不向图形界面那样简单易懂，但是熟悉后还是很方便的。
Tools for AI
Visual Studio Code 上的Tools for AI 是微软官方出品的一站式机器学习集成开发环境，其与VS code相结合，能让开发人员在同一个开发环境里，完成从编辑、训练、集成模型，到服务与应用的代码开发。
Tools for AI 对训练任务的调度和管理做了很好的集成。现在、后端的计算平台支持本机、Linux服务器、微软的企业级计算资源管理平台、Azure的机器学习平台、Batch AI等。 另外还能够管理各种远程的存储，直接在界面中上传数据、下载模型日志等文件。
二、搭建开发环境
Visual Studio Code 安装
访问 https://code.visualstudio.com
点击Download自动下载对应操作系统的Visual Studio Code
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161330587-97110370.png" width="300" />插件安装
首先打开VS Code，点击扩展图标
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161343954-1803296729.png" width="300" />首先安装好Python插件
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161415507-577953427.png" width="300" />有插件自动更新或安装后，就会提示重新加载，点击重新加载后，VS Code就会重新启动，并且加载相应的插件。
然后搜索Tools for AI，选择第一个安装。
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161429613-1185756054.png" width="600" />这里同样也要点击重新加载。
同样，我们可以把中文包也安装上，这样就能显示中文了。
安装Git
访问 https://git-scm.com/downloads
下载Mac适用的版本
下载机器学习示例库
打开终端，找到一个自己想用来存放这些文件的文件夹，在终端中输入
git clone https://github.com/Microsoft/samples-for-ai/
这时Git开始自动克隆示例库
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161450388-1526385065.png" width="400" />安装python
这一步大家安装python3.5或3.6皆可，但更推荐大家安装python3.6，同时请一定选择64位的版本，否则很多机器学习框架都无法使用。
访问 https://www.python.org/downloads/ 选择适用于macOS的64位安装包
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161500720-1182887273.png" width="400" />note：在python安装完成后，请在Application中找到python的安装文件，运行Certificates install.commands，安装常见的根证书，否则python脚本访问任何https网站时都会出现证书错误，这也会影响我们接下来的安装过程
安装机器学习和机器学习的软件及依赖
还是上一步的文件夹，进入installer目录，输入
python ./install.py
等待它安装完成。
至此，环境搭建已经全部结束。
三、运行示例代码
从这一步开始，我们要开始真正进行训练了，如果你是第一次接触机器学习，那么你就可以训练出自己的第一个模型了!
首先打开Visual Studio Code，选择文件->打开打开samples的总目录。
我们使用tensorflow和MNIST来作为例子。
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161550540-1188121656.png" width="300" />MNIST是一个流行的示例数据集，是人手写的数字的图片集。我们可以用它来训练一个模型，让计算机识别出人手写的数字是什么。
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161606418-31069838.png" width="300" /> <img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161622608-439297005.png" width="500" />note：如果你的电脑安装了多个版本的python，请点击VS Code窗口下方的
Python环境，程序将列出本机找到的所有python环境，我们要将其切换到正确的环境上
本地调试及训练
首先，点击AI Explorer来新建或者修改本地环境配置。在Local - Environment下右键，点击Add Configuration
设置好name，并将上一步选择的python环境的路径填写进去
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161646534-300562904.png" width="500" />点击右下角的Finish来刷新环境配置
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161708878-1303647126.png" width="400" />note：一定要点击Finish才能正确地刷新配置
在配置好本地环境后，还需要添加一个运行作业的配置，这里选择查看->命令面板，输入AI: Edit Job Properties，然后回车。
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161735281-185304512.png" width="500" />note：如果你的电脑安装了多个版本的python，请修改
startupCommand中的Python改为Python3，然后点击Finish，这样可以确保在执行作业的时候使用python3运行程序
右键convolutional.py，选择AI: Submit Job
选择Local
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161816977-1298328217.png" width="300" />选择刚才配置好的运行环境
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161834452-1571374845.png" width="300" />可以看到屏幕下方有一个新的终端窗口，这时程序就已经开始对模型进行训练了
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608161902731-438197424.png" width="400" />远程训练
由于Mac没有配置Nvidia的显卡，因此只能使用CPU训练模型，如果本机的性能不行，有的时候可能需要花费很长时间，这个时候，如果远程的服务器，特别是有专门的计算资源加持的话，速度会快很多。另外，很多机器学习的框架支持并行计算，远程训练时还可以接入并行的资源，进一步提高训练效率。
Tools for AI支持多种远程训练的平台，包括Remote Machine、私有部署的PAI，以及Azure的Batch AI等，本系列博客以后会详细介绍如何使用这些资源。本篇博客主教讲解如何在远程Linux上进行训练。
首先在AI Explorer中，在Remote Linux上点击鼠标右键，点击Add Configuration，然后填入自己服务器的信息，最后点击Finish完成设置
然后，同样像上次一样选择AI: Submit Job，只是这次要选择刚才配置好的Remote Linux
在提交完作业后，如果想要查看运行情况，则需要在Remote Linux中选择之前配置好的机器，点击鼠标右键，选择List Jobs，这时可以看到这台机器上提交过的任务列表
点击我们刚刚提交的那个，就可以列出这个任务的所有细节
<img src="https://images2018.cnblogs.com/blog/700062/201806/700062-20180608162058184-1191187262.png" width="500" />同时可以通过点击页面上的Open Storage Explorer来查看该任务在远程机器下的目录。
如果需要查看远程机器的其他目录，则在机器上右键，选择Open Storage Explorer，选择Custom Directory，然后输入你要访问的目录即可
至此，远程模型训练的部分就完场了。