标签：pytho sample 超级用户 mem dnn glob compile 包括 bashrc
在动手安装之前，首先要确定硬件，系统，准备安装软件的版本，确定这些软硬件之间是否相互支持或兼容。本文安装的主要环境和软件如下：
Ubuntu16.10+CUDA8.0(cudnn5.1,CNMEM)+Theano0.8.2+Tensorflow0.11.0rc1+Keras1.1.0
显卡型号为Quadro K6000。
深度学习的另外一个比较常用的开发环境是CAFFE，由于之前的很多大牛基于CAFFE做了很多注明的模型，且已经发布到网上，故这套框架更适合于应用。但CAFFE安装起来异常复杂，需要安装非常多的依赖库，以及OpenCv等软件。而且CAFFE框架比较死板，很难修改，个人认为不太适合科研。故本文不涉及CAFFE相关内容。
首先，感谢运维小哥帮我安装ubuntu16.10系统。进入系统后，打开终端，开始安装操作。注意，下面操作命令通常要加sudo，如果切换到超级用户则不需要加。
1. 安装编译环境
主要是make，cmake, gcc，g++，这是linux下最基本的开发环境，有些机器是安装好的，就不用装了。运行每一句终端显示都有反馈，可以根据反馈确定安装是否成功。
sudo apt-get install build-essential
apt install cmake
gcc最新版本是6.2，但CUDA8.0不支持5.0以上版本，需要将版本降低到4.9，下面通过update-alternatives来进行软件版本切换：
sudo apt-get install g++-4.9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9 20
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-6 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-6 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++
通过 gcc –v可以查询gcc版本，确定是4.9。
2. 安装CUDA
CUDA是Nvidia公司开发的，基于GPU的并行计算环境，几乎是做深度学习不可或缺的工具，加速效果非常明显。以一个基于Theano的深度模型训练程序为例，普通i5 CPU跑一个epoch需要约80分钟；采用GTX705显卡(48个CUDA核心)加速，跑一个epoch需要约12分钟；采用Quadro K6000显卡(2880个CUDA核心)加速，跑一个epoch仅需要约2分钟。
a) 准备工作
如果安装了用户界面，需要停止X server
sudo /etc/init.d/lightdm stop
sudo /etc/init.d/lightdm status
停止系统自带驱动
sudo vim /etc/modprobe.d/blacklist-nouveau.conf
在最后加入一行blacklist nouveau保存，更新一下
sudo update-initramfs -u
重启，通过如下命令确定nouveau被停用，如果返回值为空说明成功。
lsmod | grep nouveau
b) CUDA包安装
下载cuda_8.0.44_linux.run，我是通过本地下载，通过ftp传到服务器，进入其所在目录，终端中运行：
sh cuda_8.0.44_linux.run
按提示逐步做选择，安装即可。如果之前没有单独安装nvidia的驱动，可以直接在这里选择安装；如果已经安装，则在安装过程中跳过，直接安装cuda和samples。
安装完成后，需要将CUDA的相关路径加入系统路径，用vim打开 ~/.bashrc 文件
vim ~/.bashrc
在文件未尾，加入如下语句来使设置生效：
export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
c) 测试CUDA
进入samples所在路径，make
cd /usr/local/cuda/samples
sudo make all -j8
cd bin/x86_64/linux/release/
./deviceQuery
查询出设备信息说明CUDA安装成功
至此，基本的CUDA环境已经完成，但还有两个库可以让计算加速效果更明显，它们是cudnn和cnmem
d) 安装cudnn
cudnn是Nvida专门针对深度神经网络开发的加速包，一定要注意，一些低端的显卡，如GTX580,670,705等不支持cudnn。同时也要注意，cudnn的版本要与CUDA的版本兼容。
下载cudnn-8.0-linux-x64-v5.1.solitairetheme8，解压
cp cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgz
tar -xvf cudnn-8.0-linux-x64-v5.1.tgz
进入解压目录，分别复制h文件和lib文件到cuda的响应目录，进入include目录
sudo cp cudnn.h /usr/local/cuda/include/
再进入lib64目录下的动态文件进行复制和链接：
sudo cp lib* /usr/local/cuda/lib64/
目前的Theano版本与cudnn5.0是兼容的，推荐安装5.0版本。
e) 安装CNMEM
进入安装目录
cd $mydir
git clone https://github.com/NVIDIA/cnmem.git cnmem
cd cnmem
mkdir build
cd build
cmake ..
make
cd ../include
cp cnmem.h /usr/local/cuda/include
cd ../build
cp libcnmem /usr/local/cuda/lib64
3. 安装theano
先安装pip，然后安装theano，theano安装过程中会自动安装numpy和scipy
sudo apt install python-pip
pip install theano
创建~/.theanorc，内容如下
[global]
floatX=float32
device=gpu
base_compiledir=~/external/.theano/
allow_gc=False
warn_float64=warn
[mode]=FAST_RUN
[nvcc]
fastmath=True
[cuda]
root=/usr/local/cuda
[lib]
cnmem=1
在终端中输入python
>>> import theano
输出正常说明安装成功。
4. 安装Tensorflow
如果之前没有安装好python，运行：
sudo apt-get install python-pip python-dev
用pip安装tensorflow
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl
因为墙的原因，可能会失败，需要多试几次
测试tensorflow
在终端中输入python
>>> import tensorflow as tf
>>> hello = tf.constant(‘Hello, TensorFlow!‘)
>>> sess = tf.Session()
>>> print sess.run(hello)
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print sess.run(a+b)
42
5. 安装Keras
Keras之前是以Theano为后台，现在的新版本是以tensorflow为后台的。所以我们要先装好theano和tensorflow之后，最后安装keras。
sudo pip install keras
对，就这一句话应该就搞定了。安装完成后，在终端输入python
from keras.models import Sequential
输出正常说明安装成功。
至此，一个比较实用的最新版本深度学习环境就完成了。上述这些软件目前更新非常快，很有可能几个月后就会出现更新版本。安装过程中遇到任何问题，尽量去读官方的安装和说明文档，网络博客，微信上的信息都有一定时效性，包括我这一篇。
在动手安装之前，首先要确定硬件，系统，准备安装软件的版本，确定这些软硬件之间是否相互支持或兼容。本文安装的主要环境和软件如下：
Ubuntu16.10+CUDA8.0(cudnn5.1,CNMEM)+Theano0.8.2+Tensorflow0.11.0rc1+Keras1.1.0
显卡型号为Quadro K6000。
深度学习的另外一个比较常用的开发环境是CAFFE，由于之前的很多大牛基于CAFFE做了很多注明的模型，且已经发布到网上，故这套框架更适合于应用。但CAFFE安装起来异常复杂，需要安装非常多的依赖库，以及OpenCv等软件。而且CAFFE框架比较死板，很难修改，个人认为不太适合科研。故本文不涉及CAFFE相关内容。
首先，感谢运维小哥帮我安装ubuntu16.10系统。进入系统后，打开终端，开始安装操作。注意，下面操作命令通常要加sudo，如果切换到超级用户则不需要加。
1. 安装编译环境
主要是make，cmake, gcc，g++，这是linux下最基本的开发环境，有些机器是安装好的，就不用装了。运行每一句终端显示都有反馈，可以根据反馈确定安装是否成功。
sudo apt-get install build-essential
apt install cmake
gcc最新版本是6.2，但CUDA8.0不支持5.0以上版本，需要将版本降低到4.9，下面通过update-alternatives来进行软件版本切换：
sudo apt-get install g++-4.9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9 20
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-6 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-6 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++
通过 gcc –v可以查询gcc版本，确定是4.9。
2. 安装CUDA
CUDA是Nvidia公司开发的，基于GPU的并行计算环境，几乎是做深度学习不可或缺的工具，加速效果非常明显。以一个基于Theano的深度模型训练程序为例，普通i5 CPU跑一个epoch需要约80分钟；采用GTX705显卡(48个CUDA核心)加速，跑一个epoch需要约12分钟；采用Quadro K6000显卡(2880个CUDA核心)加速，跑一个epoch仅需要约2分钟。
a) 准备工作
如果安装了用户界面，需要停止X server
sudo /etc/init.d/lightdm stop
sudo /etc/init.d/lightdm status
停止系统自带驱动
sudo vim /etc/modprobe.d/blacklist-nouveau.conf
在最后加入一行blacklist nouveau保存，更新一下
sudo update-initramfs -u
重启，通过如下命令确定nouveau被停用，如果返回值为空说明成功。
lsmod | grep nouveau
b) CUDA包安装
下载cuda_8.0.44_linux.run，我是通过本地下载，通过ftp传到服务器，进入其所在目录，终端中运行：
sh cuda_8.0.44_linux.run
按提示逐步做选择，安装即可。如果之前没有单独安装nvidia的驱动，可以直接在这里选择安装；如果已经安装，则在安装过程中跳过，直接安装cuda和samples。
安装完成后，需要将CUDA的相关路径加入系统路径，用vim打开 ~/.bashrc 文件
vim ~/.bashrc
在文件未尾，加入如下语句来使设置生效：
export PATH=$PATH:/usr/local/cuda/bin
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
c) 测试CUDA
进入samples所在路径，make
cd /usr/local/cuda/samples
sudo make all -j8
cd bin/x86_64/linux/release/
./deviceQuery
查询出设备信息说明CUDA安装成功
至此，基本的CUDA环境已经完成，但还有两个库可以让计算加速效果更明显，它们是cudnn和cnmem
d) 安装cudnn
cudnn是Nvida专门针对深度神经网络开发的加速包，一定要注意，一些低端的显卡，如GTX580,670,705等不支持cudnn。同时也要注意，cudnn的版本要与CUDA的版本兼容。
下载cudnn-8.0-linux-x64-v5.1.solitairetheme8，解压
cp cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgz
tar -xvf cudnn-8.0-linux-x64-v5.1.tgz
进入解压目录，分别复制h文件和lib文件到cuda的响应目录，进入include目录
sudo cp cudnn.h /usr/local/cuda/include/
再进入lib64目录下的动态文件进行复制和链接：
sudo cp lib* /usr/local/cuda/lib64/
目前的Theano版本与cudnn5.0是兼容的，推荐安装5.0版本。
e) 安装CNMEM
进入安装目录
cd $mydir
git clone https://github.com/NVIDIA/cnmem.git cnmem
cd cnmem
mkdir build
cd build
cmake ..
make
cd ../include
cp cnmem.h /usr/local/cuda/include
cd ../build
cp libcnmem /usr/local/cuda/lib64
3. 安装theano
先安装pip，然后安装theano，theano安装过程中会自动安装numpy和scipy
sudo apt install python-pip
pip install theano
创建~/.theanorc，内容如下
[global]
floatX=float32
device=gpu
base_compiledir=~/external/.theano/
allow_gc=False
warn_float64=warn
[mode]=FAST_RUN
[nvcc]
fastmath=True
[cuda]
root=/usr/local/cuda
[lib]
cnmem=1
在终端中输入python
>>> import theano
输出正常说明安装成功。
4. 安装Tensorflow
如果之前没有安装好python，运行：
sudo apt-get install python-pip python-dev
用pip安装tensorflow
sudo pip install --upgrade https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl
因为墙的原因，可能会失败，需要多试几次
测试tensorflow
在终端中输入python
>>>
import tensorflow as tf
>>> hello = tf.constant(‘Hello, TensorFlow!‘)
>>> sess = tf.Session()
>>> print sess.run(hello)
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print sess.run(a+b)
42
5. 安装Keras
Keras之前是以Theano为后台，现在的新版本是以tensorflow为后台的。所以我们要先装好theano和tensorflow之后，最后安装keras。
sudo pip install keras
对，就这一句话应该就搞定了。安装完成后，在终端输入python
from keras.models import Sequential
输出正常说明安装成功。
至此，一个比较实用的最新版本深度学习环境就完成了。上述这些软件目前更新非常快，很有可能几个月后就会出现更新版本。安装过程中遇到任何问题，尽量去读官方的安装和说明文档，网络博客，微信上的信息都有一定时效性，包括我这一篇。
搭建实用深度学习环境(Ubuntu16.10+Theano0.8.2+Tensorflow0.11.0rc1+Keras1.1.0)
标签：pytho sample 超级用户 mem dnn glob compile 包括 bashrc
原文地址：http://www.cnblogs.com/dataman/p/6285634.html
