來自：  http://www.cnblogs.com/xujianqing/p/6142963.html

 

歡迎關注我的博客：http://blog.csdn.net/hit2015spring和http://www.cnblogs.com/xujianqing

本文主要是介紹在ubuntu16.04下，怎么配置當下流行的深度學習框架，cuda8.0+cudnn+caffe+theano+tensorflow

 

安裝英偉達顯卡驅動

 

首先去官網上查看適合你GPU的驅動

（http://www.nvidia.com/Download/index.aspx?lang=en-us）

sudo add-apt-repository ppa:graphics-drivers/ppa

sudo apt-get update

sudo apt-get install nvidia-375（375是你查到的版本號）

sudo apt-get install mesa-common-dev

sudo apt-get install freeglut3-dev

執行完上述后，重啟（reboot）。

重啟后輸入

nvidia-smi

如果出現了你的GPU列表，則說明驅動安裝成功了。另外也可以通過，或者輸入

nvidia-settings

出現

1. 配置cuda

https://developer.nvidia.com/cuda-downloads

在cuda所在目錄打開terminal依次輸入以下指令：

sudo dpkg -i cuda-repo-ubuntu1604-8-0-rc_8.0.27-1_amd64​.deb

sudo apt-get update

sudo apt-get install cuda​

ubuntu的gcc編譯器是5.4.0，然而cuda8.0不支持5.0以上的編譯器，因此需要降級，把編譯器版本降到4.9：

在terminal中執行：

sudo apt-get install gcc -4.9 gcc-5 g++-4.9 g++-5

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-5 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++-5 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++

配置cuda8.0之后主要加上的一個環境變量聲明，在文件~/.bashrc之后加上

 

gedit ~/.bashrc

export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}

export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后設置環境變量和動態鏈接庫，在命令行輸入

sudo gedit /etc/profile

在打開的文件里面加上（注意等號兩邊不能有空格）

export PATH=/usr/local/cuda/bin:$PATH

保存之后，創建鏈接文件

sudo gedit /etc/ld.so.conf.d/cuda.conf

在打開的文件中添加如下語句：

/usr/local/cuda/lib64

保存退出執行命令行：

sudo ldconfig

使鏈接立即生效。

 

2、測試cuda的Samples

 

命令行輸入（注意cuda-8.0是要相對應自己的cuda版本）

cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery

make

sudo ./deviceQuery

返回GPU的信息則表示配置成功

 

3、使用cudnn

 

上官網下載對應的cudnn

https://developer.nvidia.com/cudnn

下載完cudnn后，命令行輸入文件所在的文件夾 (ubuntu為本機用戶名)

cd home/ubuntu/Downloads/

tar zxvf cudnn-8.0-linux-x64-v5.1.tgz #解壓文件

cd進入cudnn5.1解壓之后的include目錄，在命令行進行如下操作：

sudo cp cudnn.h /usr/local/cuda/include/ #復制頭文件

再cd進入lib64目錄下的動態文件進行復制和鏈接：（5.1.5為對應版本具體可修改）

sudo cp lib* /usr/local/cuda/lib64/ #復制動態鏈接庫

cd /usr/local/cuda/lib64/

sudo rm -rf libcudnn.so libcudnn.so.5 #刪除原有動態文件

sudo ln -s libcudnn.so.5.1.5 libcudnn.so.5 #生成軟銜接

sudo ln -s libcudnn.so.5 libcudnn.so #生成軟鏈接

 

 

4、安裝opencv3.1.0

 

從官網上下載opencv3.1.0

http://opencv.org/downloads.html

並將其解壓到你要安裝的位置，（下載的位置還是在home/ubuntu、Downloads文件夾下）

首先安裝Ubuntu系統需要的依賴項，雖然我也不知道有些依賴項是干啥的，但是只管裝就行，也不會占據很多空間的。

sudo apt-get install --assume-yes libopencv-dev build-essential cmake git libgtk2.0-dev pkg-config python-dev python-numpy libdc1394-22 libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev libv4l-dev libtbb-dev libqt4-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils unzip

然后安裝OpenCV需要的一些依賴項，一些文件編碼解碼之類的東東。

 

sudo apt-get install build-essential cmake git

sudo apt-get install ffmpeg libopencv-dev libgtk-3-dev python-numpy python3-numpy libdc1394-22 libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev libjasper-dev libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer1.0-dev libgstreamer-plugins-base1.0-dev libv4l-dev libtbb-dev qtbase5-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev libvorbis-dev libxvidcore-dev x264 v4l-utils unzip

在終端中cd到opencv文件夾下（解壓的那個文件夾），然后

mkdir build #新建一個build文件夾，編譯的工程都在這個文件夾里

cd build/

cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D WITH_TBB=ON -D WITH_V4L=ON -D WITH_QT=ON -D WITH_OPENGL=ON -DCUDA_NVCC_FLAGS="-D_FORCE_INLINES" ..（后面兩點不要忘記）

cmake成功后，會出現如下結果，提示配置和生成成功：

-- Configuring done

-- Generating done

-- Build files have been written to: /home/ise/software/opencv-3.1.0/build

由於CUDA 8.0不支持OpenCV的 GraphCut 算法，可能出現以下錯誤：

/home/usrname/opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp:120:54: error: 'NppiGraphcutState' has not been declared

typedef NppStatus (*init_func_t)(NppiSize oSize, NppiGraphcutState** ppStat

^

/home/usrname/opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp:135:18: error: 'NppiGraphcutState' does not name a type

operator NppiGraphcutState*()

^

/home/usrname/opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp:141:9: error: 'NppiGraphcutState' does not name a type

NppiGraphcutState* pState;

.......

進入opencv-3.1.0/modules/cudalegacy/src/目錄，修改graphcuts.cpp文件，將：

#include "precomp.hpp"

#if !defined (HAVE_CUDA) || defined (CUDA_DISABLER)

改為

#include "precomp.hpp"

#if !defined (HAVE_CUDA) || defined (CUDA_DISABLER) || (CUDART_VERSION >= 8000)

然后make編譯就可以了

make -j8

上面是將opencv編譯成功，但是並沒有安裝到我們的系統中，有很多的設置都沒有寫入到系統中，因此還要進行install。

sudo make install

sudo /bin/bash -c 'echo "/usr/local/lib" > /etc/ld.so.conf.d/opencv.conf'

sudo ldconfig

重啟系統，重啟系統后cd到build文件夾下：

sudo apt-get install checkinstall

sudo checkinstall

然后按照提示安裝就可以了。

使用checkinstall的目的是為了更好的管理我安裝的opencv，因為opencv的安裝很麻煩，卸載更麻煩，其安裝的時候修改了一大堆的文件，當我想使用別的版本的opencv時，將當前版本的opencv卸載就是一件頭疼的事情，因此需要使用checkinstall來管理我的安裝。

執行了checkinstall后，會在build文件下生成一個以backup開頭的.tgz的備份文件和一個以build開頭的.deb安裝文件，當你想卸載當前的opencv時，直接執行dpkg -r build即可。

 

5、配置caffe環境

 

切換編譯器

選擇g++ 5.0以上的對應編號

sudo update-alternatives --config g++

sudo update-alternatives --config gcc

 

安裝依賴庫

sudo add-apt-repository universe

sudo apt-get update -y

sudo apt-get install cmake -y

# General Dependencies

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev \

libhdf5-serial-dev protobuf-compiler -y

sudo apt-get install --no-install-recommends libboost-all-dev -y

# BLAS

sudo apt-get install libatlas-base-dev -y

# Remaining Dependencies

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev -y

sudo apt-get install python-dev python-numpy –y

sudo apt-get install -y python-pip

sudo apt-get install -y python-dev

sudo apt-get install -y python-numpy python-scipy

編譯 Caffe，cd到要安裝caffe的位置

git clone https://github.com/BVLC/caffe.git

cd caffe

cp Makefile.config.example Makefile.config

修改Makefile.config:

gedit Makefile.config

對打開的文件編輯

# cuDNN acceleration switch (uncomment to build with cuDNN).

USE_CUDNN := 1

 

# Uncomment if you're using OpenCV 3 如果用的是opencv3版本

OPENCV_VERSION := 3

 

# Uncomment to support layers written in Python (will link against Python libs)

WITH_PYTHON_LAYER := 1

在問件里面添加文本由於hdf5庫目錄更改，所以需要單獨添加：

INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial/

LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/aarch64-linux-gnu/hdf5/serial/

 

打開makefile文件

gedit Makefile

將

NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)

替換

NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

編輯/usr/local/cuda/include/host_config.h，將其中的第115行注釋掉：

sudo gedit /usr/local/cuda/include/host_config.h

將

#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!

 

改為

//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!

之后編輯即可

make -j4 all

make -j4 runtest

為了更好地使用pycaffe ，建議安裝：

sudo apt-get install python-numpy python-setuptools python-pip cython python-skimage python-protobuf

make pycaffe

cd python

python

import caffe #測試安裝成功

到這里Caffe開發環境就配置好了！

可以測試一下，輸出AlexNet的時間測試結果：

cd ~/caffe

./build/tools/caffe time --gpu 0 --model ./models/bvlc_alexnet/deploy.prototxt

 

6、theano安裝

 

1、直接輸入命令：

sudo pip install theano

2、配置參數文件：.theanorc

sudo gedit ~/.theanorc

對打開的文件進行編輯

[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

 

3、運行測試例子：

sudo Vim test.py

from theano import function, config, shared, sandbox

import theano.tensor as T

import numpy

import time

 

vlen = 10 * 30 * 768 # 10 x #cores x # threads per core

iters = 1000

 

rng = numpy.random.RandomState(22)

x = shared(numpy.asarray(rng.rand(vlen), config.floatX))

f = function([], T.exp(x))

print(f.maker.fgraph.toposort())

t0 = time.time()

for i in range(iters):

r = f()

t1 = time.time()

print("Looping %d times took %f seconds" % (iters, t1 - t0))

print("Result is %s" % (r,))

if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):

print('Used the cpu')

else:

print('Used the gpu')

 

可以看到結果：

/usr/bin/python2.7 /home/hjimce/PycharmProjects/untitled/.idea/temp.py

Using gpu device 0: GeForce GTX 960 (CNMeM is disabled, cuDNN not available)

[GpuElemwise{exp,no_inplace}(<CudaNdarrayType(float32, vector)>), HostFromGpu(GpuElemwise{exp,no_inplace}.0)]

Looping 1000 times took 0.302778 seconds

Result is [ 1.23178029 1.61879349 1.52278066 ..., 2.20771813 2.29967761

1.62323296]

Used the gpu

說明安裝成功

 

7、tensorflow 安裝

 

https://github.com/tensorflow/tensorflow/blob/master/tensorflow/g3doc/get_started/os_setup.md

先安裝anaconda

https://repo.continuum.io/archive/Anaconda2-4.2.0-Windows-x86_64.exe

上面的地址下載 該包默認在downloads里面

cd /home/username/Downloads

sudo bash Anaconda2-4.2.0-Linux-x86_64.sh

配置環境變量

gedit /etc/profile

末尾添上,我是一路yes下來，所以安在了root下，你可以自己選路徑，這時候的環境變量要改

export PATH=/root/anaconda2/bin:$PATH

重啟

打開終端

python

安裝成功

2、創建conda環境 名字叫tensorflow

conda create -n tensorflow python=2.7

source activate tensorflow #使能該環境

#下面這句話只能下載給CPU用的tensorflow

conda install -c conda-forge tensorflow

利用pip來下載給GPU用的tensorflow

export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0-cp27-none-linux_x86_64.whl

下載安裝

pip install --ignore-installed --upgrade $TF_BINARY_URL

安裝IPython

conda install ipython

關掉該環境

source deactivate

測試安裝是否正確

source activate tensorflow

python

輸入

import tensorflow as tf

import numpy as np

 

# Create 100 phony x, y data points in NumPy, y = x * 0.1 + 0.3

x_data = np.random.rand(100).astype(np.float32)

y_data = x_data * 0.1 + 0.3

 

# Try to find values for W and b that compute y_data = W * x_data + b

# (We know that W should be 0.1 and b 0.3, but TensorFlow will

# figure that out for us.)

W = tf.Variable(tf.random_uniform([1], -1.0, 1.0))

b = tf.Variable(tf.zeros([1]))

y = W * x_data + b

 

# Minimize the mean squared errors.

loss = tf.reduce_mean(tf.square(y - y_data))

optimizer = tf.train.GradientDescentOptimizer(0.5)

train = optimizer.minimize(loss)

 

# Before starting, initialize the variables. We will 'run' this first.

init = tf.initialize_all_variables()

 

# Launch the graph.

sess = tf.Session()

sess.run(init)

 

# Fit the line.

for step in range(201):

sess.run(train)

if step % 20 == 0:

print(step, sess.run(W), sess.run(b))

 

# Learns best fit is W: [0.1], b: [0.3]

OK

 

 

8、Caffe配置錯誤

 

 

問題：找不到Python.h

解決：給anaconda添加環境變量

gedit ~/.banshrc

添加

export PATH=/root/anaconda2/bin:$PATH

export PYTHONPATH=/path/to/caffe/python:$PATH

修改Makefile.config

在終端輸入

locate Python.h

gedit Makefile.config

在INCLUDE_DIRS 和LIBRARY_DIRS后面添上

/root/anaconda2/include/python2.7

啟用

ANACONDA_HOME := $(HOME)/anaconda2

PYTHON_ INCLUDE =$(ANACONDA_HOME)/include\

 

,把前面的#去掉,那三行都去掉#，並在注釋上面，

 

注釋這兩句PYTHON_INCLUDE := /usr/include/python2.7\

/usr/lib/python2.7…………..

 

 

 

如果編譯的時候發現有錯，回來改完之后又得重新編譯一遍pycaffe，於是出現如下錯誤

 

make: Nothing to be done for 'pycaffe'

則在終端輸入：

sudo make clean

修改完后再

sudo make pycaffe

這里要從make –j8 all那一步開始編譯

編譯完后，顯示

然后 cd python進入該目錄

python

import caffe

若此時提示錯誤：

Traceback (most recent call last)

File

ImportError: /home/../anaconda2/lib/python2.7/site-packages/zmq/backend/cython/../../../../.././libstdc++.so.6: versionGLIBCXX_3.4.21' not found

 

解決：

https://github.com/BVLC/caffe/issues/4953

https://gitter.im/BVLC/caffe/archives/2015/08/20

 

cd ..

pip install protobuf

sudo apt-get install python-protobuf

coda install libgcc