人工智能示例

“人工智能示例”是一个深度学习示例和项目集合。它包含了多种框架下的经典深度学习算法和应用，是初学者入门深度学习的良好起点。

为方便用户使用以下工具开始深度学习，我们提供了 Visual Studio 解决方案格式的示例：

• Microsoft Visual Studio AI 工具
• AI 开放平台
• 命令行界面

每个解决方案包含一个或多个示例项目。这些解决方案按其所使用的不同深度学习框架进行划分：

• CNTK（支持 BrainScript 和 Python 语言）
• TensorFlow
• PyTorch
• Caffe2
• Keras
• MXNet
• Chainer
• Theano

入门指南

1. 先决条件

使用一键安装程序设置深度学习框架 已移至此处，请访问以获取详细信息。

2. 下载数据

3. 运行示例

• 本地运行

• 提交作业到 OpenPAI

贡献

本项目欢迎贡献和建议。大多数贡献都需要您签署贡献者许可协议 (CLA)，声明您有权并将您的贡献权利授予我们。有关详情，请访问 https://cla.microsoft.com。

当您提交拉取请求时，CLA 机器人会自动判断您是否需要提供 CLA，并相应地标记或评论您的 PR。只需按照机器人提供的指示操作即可。对于使用我们 CLA 的所有仓库，您只需执行此操作一次。

本项目已采用 微软开源行为准则。更多信息请参阅 行为准则常见问题解答 或发送电子邮件至 opencode@microsoft.com 提出任何其他问题或意见。

相关项目

AI 开放平台：一个开源平台，提供完整的 AI 模型训练和资源管理功能，易于扩展，支持各种规模的本地部署、云端及混合环境。

NeuronBlocks：一个自然语言处理深度学习建模工具包，帮助工程师像搭乐高积木一样构建深度神经网络模型。该工具的主要目标是最大限度地降低 NLP 深度神经网络模型开发成本，涵盖训练和推理两个阶段。

许可证

大多数示例脚本来自各框架的官方 GitHub 仓库，它们遵循不同的许可证。

CNTK 的脚本采用 MIT 许可证。

TensorFlow 示例脚本采用 Apache 2.0 许可证。原始代码未作修改。

Caffe2 的脚本在不同版本中采用了不同的许可证。目前主分支使用 Apache 2.0 许可证，而 0.7 和 0.8.1 版本则采用 BSD 2-Clause 许可证。我们解决方案中的脚本基于 Caffe2 GitHub 仓库的 0.7 和 0.8.1 版本，因此适用 BSD 2-Clause 许可证。

Keras 的脚本采用 MIT 许可证。

Theano 的脚本采用 BSD 许可证。

MXNet 的脚本采用 Apache 2.0 许可证。原始代码未作修改。

Chainer 的脚本采用 MIT 许可证。

samples-for-ai 快速上手指南

samples-for-ai 是微软推出的深度学习示例集合，涵盖了 CNTK、TensorFlow、PyTorch、Caffe2、Keras、MXNet、Chainer 和 Theano 等主流框架的经典算法与应用。本项目旨在帮助初学者通过 Visual Studio 解决方案或命令行快速入门深度学习。

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Windows (推荐用于 Visual Studio 集成)、Linux 或 macOS。
• 开发工具（可选但推荐）：
  • Microsoft Visual Studio
  • Visual Studio Tools for AI 插件（提供一键安装框架功能）。
• 深度学习框架：根据您想运行的示例，需预先安装对应的框架（如 TensorFlow, PyTorch 等）。
  • 提示：如果您使用 Visual Studio Tools for AI，可通过其内置的一键安装程序自动配置环境。详细信息请参阅官方文档中的 前置依赖说明。
• Python 环境：大多数示例基于 Python，建议安装 Python 3.6+ 及 pip。

安装步骤

1. 克隆项目

打开终端或 Git Bash，执行以下命令获取源代码：

git clone https://github.com/Microsoft/samples-for-ai.git
cd samples-for-ai

2. 下载数据集

大部分示例需要特定的数据集才能运行。请运行提供的脚本或按照指引下载数据：

• 详细指引：下载数据文档
• 通用操作：通常需要在项目根目录或特定示例目录下运行数据下载脚本（具体取决于框架要求），例如：

  # 示例：某些项目可能包含如下脚本，请以实际目录结构为准
  python scripts/download_data.py 
  

  (注：具体下载命令请参考各框架子目录下的 README 或上述文档链接)

3. 安装依赖库

进入您想要运行的具体框架示例目录（例如 tensorflow 或 pytorch），安装所需的 Python 包。建议使用虚拟环境：

# 创建虚拟环境 (可选)
python -m venv venv
source venv/bin/activate  # Linux/macOS
# venv\Scripts\activate   # Windows

# 安装依赖 (以具体目录下的 requirements.txt 为准)
pip install -r requirements.txt

国内用户加速建议：使用清华或阿里镜像源加速安装：

pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple

基本使用

本项目支持本地运行和提交到 OpenPAI 集群两种模式。以下以最常用的本地运行为例。

方式一：使用 Visual Studio (推荐 Windows 用户)

1. 打开任意一个框架的解决方案文件 (.sln)，例如 tensorflow/tensorflow.sln。
2. 设置启动项目为具体的示例项目。
3. 点击“生成”并“运行”。

方式二：使用命令行 (通用)

进入对应框架的示例目录，直接运行 Python 脚本。

示例：运行一个 TensorFlow 示例

# 进入 TensorFlow 示例目录
cd tensorflow/mnist

# 运行训练脚本 (具体脚本名视项目而定，通常为 train.py 或 main.py)
python train.py

示例：运行一个 PyTorch 示例

# 进入 PyTorch 示例目录
cd pytorch/cifar10

# 运行脚本
python main.py

进阶：提交任务到 OpenPAI

如果您拥有 OpenPAI 集群权限，可以将任务提交至集群进行分布式训练。

# 参考详细文档进行配置和提交
# 文档链接：./docs/submit_job_to_pai.md

---

注意：不同框架的示例具体入口脚本名称可能不同，请查阅各子目录下的具体说明。