第一讲-如何在Jupyterhub运行和调试ProtoPNet的简明学习版本¶

简介¶

本文介绍原开源仓库ProtoPNet的一个简化后的学习版本。开源仓库ProtoPNet是由论文《This Looks Like That: Deep Learning for Interpretable Image Recognition》的作者提供的ProtoPNet的一种python实现。但是，如果要运行该仓库，论文作者推荐硬件配置是 4 NVIDIA Telsa P-100 GPUs，或者8 NVIDIA Tesla K-80 GPUs. 但是，这对于刚进入ML/AI领域的读者来说，该硬件配置要求太高。

本文介绍的简明学习版本是对原完整仓库的简化，目的是方便刚进入ML/AI领域的读者学习该AI算法；简化后的代码可以在纯CPU上环境上运行、调试，读者可以把每一行代码和原论文的算法描述仔细对比、交叉验证，从而熟练掌握算法原理，为以后进一步快速迁移到GPU环境运行打好基础。

本文是以上主题的第一讲：如何在AcdEvent提供的Jupyterhub运行、调试该ProtoPNet的学习版本。

使用AcdEvent提供的Jupyterhub运行、调试ProtoPNet的学习版本¶

感兴趣的读者可以访问 Academic Simulation Hub 在网页底部的’Comment’留言“我申请学习ProtoPNet”。申请成功后，将免费获得登录账号和密码。

获得账号和密码的读者，可以继续访问 Acdevent’s Jupyterhub, 使用账号和密码登录Academic Simulation Hub（如图 1)。

../../_images/figure01.png — 图 1 登录Academic Simulation Hub¶

成功登录Academic Simulation Hub后，就可以看到如图 2的登录ProtoPNet简明学习版本的界面。左边是工作空间，右边是Launcher(目前暂时不用）。工作空间下有一个名字为codes的目录。

../../_images/figure02.png — 图 2 登录ProtoPNet简明学习版本的界面¶

双击进入codes目录，可以看到ProtoPNet的工程目录（如图 3）。

../../_images/figure03.png — 图 3 ProtoPNet的工程目录¶

继续双击进入ProtoPNet目录，可以看到若干的子目录和文件(如图 4)。

../../_images/figure04.png — 图 4 ProtoPNet目录下的子目录和文件¶

其中：

datasets, pretrained_models 和 saved_models 是已经提前准备好的训练和测试数据集、预训练模型，和临时保存的文件，当前可以不关注。
LICENSE - MIT license
poster.pdf, slides.pdf, supp_this_looks_like_that.pdf 和 this_looks_like_that.pdf : 它们是原完整仓库所实现的prototypical part network (ProtoPNet)的论文。
main.ipynb - 这就是简化后的ProtoPNet的实验版本。它使用jupyter notebook作为运行环境；运行所需要的python library和package等都已经在云端配置好。读者只需要在线打开该main.ipynb，就可以阅读代码、设置断点并运行、调试，查看中间变量，验证想法，对比原论文的算法细节等。