Linux系统下深度学习框架Keras的搭建

关于计算机的硬件配置说明

推荐配置

如果您是高校学生或者高级研究人员，并且实验室或者个人资金充沛，建议您采用如下配置：

• 主板：X99型号或Z170型号
• CPU: i7-5830K或i7-6700K 及其以上高级型号
• 内存：品牌内存，总容量32G以上，根据主板组成4通道或8通道
• SSD： 品牌固态硬盘，容量256G以上
• 显卡：NVIDIA GTX 1080、NVIDIA GTX TITAN、NVIDIA GTX 1070、NVIDIA GTX 1060 (顺序为优先建议，并且建议同一显卡，可以根据主板插槽数量购买多块，例如X99型号主板最多可以采用×4的显卡)
• 电源：由主机机容量的确定，一般有显卡总容量后再加200W即可

最低配置

如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足以下几点：

• CPU：Intel第三代i5和i7以上系列产品或同性能AMD公司产品
• 内存：总容量4G以上

CPU说明

• 大多数CPU目前支持多核多线程，那么如果您采用CPU加速，就可以使用多线程运算。这方面的优势对于服务器CPU志强系列尤为关键

显卡说明

• 如果您的显卡是非NVIDIA公司的产品或是NVIDIA GTX系列中型号的第一个数字低于4或NVIDIA的GT系列，都不建议您采用此类显卡进行加速计算，例如NVIDIA GT 910、NVIDIA GTX 450 等等。
• 如果您的显卡为笔记本上的GTX移动显卡（型号后面带有标识M），那么请您慎重使用显卡加速，因为移动版GPU很容易发生过热烧毁现象。
• 如果您的显卡，显示的是诸如 HD5000,ATI 5650 等类型的显卡，那么您只能使用CPU加速
• 如果您的显卡为Pascal架构的显卡（NVIDIA GTX 1080,NVIDIA GTX 1070等），您只能在之后的配置中选择CUDA 8.0 
  

  ---

基本开发环境搭建

1. Linux 发行版

linux有很多发行版，本文强烈建议读者采用新版的Ubuntu 16.04 LTS 
一方面，对于大多数新手来说Ubuntu具有很好的图形界面，与乐观的开源社区；另一方面，Ubuntu是Nvidia官方以及绝大多数深度学习框架默认开发环境。 
个人不建议使用Ubuntu Kylin，之前提出有部分信息表示，中国官方开发的这个版本有部分功能被“阉割”，你懂得。 
Ubuntu 16.04 LTS下载地址：http://www.ubuntu.org.cn/download/desktop 
 
通过U盘安装好后，进行初始化环境设置。

2. Ubuntu初始环境设置

• 安装开发包 
  打开终端输入：

 
 
# 系统升级
>>> sudo apt update
>>> sudo apt upgrade
# 安装python基础开发包
>>> sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim

• 安装运算加速库 
  打开终端输入：

 
 
>>> sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev

3. CUDA开发环境的搭建(CPU加速跳过)

如果您的仅仅采用cpu加速，可跳过此步骤 
- 下载CUDA8.0

下载地址：https://developer.nvidia.com/cuda-downloads 

之后打开终端输入：

 
 
>>> sudo dpkg -i cuda-repo-ubuntu1604-8-0-local_8.0.44-1_amd64.deb
>>> sudo apt update
>>> sudo apt install cuda

自动配置成功就好。

• 将CUDA路径添加至环境变量 
  在终端输入：

 
 
>>> sudo gedit /etc/bash.bashrc

在bash.bashrc文件中添加：

 
 
export CUDA_HOME=/usr/local/cuda-8.0
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}}

之后source gedit /etc/bash.bashrc即可 
同样，在终端输入：

 
 
>>> sudo gedit ~/.bashrc

在.bashrc中添加如上相同内容 
（如果您使用的是zsh，在~/.zshrc添加即可）

• 测试 
  在终端输入：

 
 
>>> nvcc -V

会得到相应的nvcc编译器相应的信息，那么CUDA配置成功了。 
记得重启系统

4. 加速库cuDNN（可选）

从官网下载需要注册账号申请，两三天批准。网盘搜索一般也能找到最新版。 
Linux目前就是cudnn-8.0-win-x64-v5.1-prod.zip。 
下载解压出来是名为cuda的文件夹，里面有bin、include、lib，将三个文件夹复制到安装CUDA的地方覆盖对应文件夹，在终端中输入：

 
 
>>> sudo cp include/cudnn.h /usr/local/cuda-8.0/include/
>>> sudo cp lib64/* /usr/local/cuda-8.0/lib64/

Keras框架搭建

相关开发包安装

在终端中输入:

 
 
>>> sudo pip install -U --pre pip setuptools wheel
>>> sudo pip install -U --pre numpy scipy matplotlib scikit-learn scikit-image
>>> sudo pip install -U --pre theano
>>> sudo pip install -U --pre keras

安装完毕后，输入python，然后输入：

 
 
>>> import theano
>>> import keras

无错输出即可

Keras环境设置

• 修改默认keras后端 
  在终端中输入:

 
 
>>> gedit ~/.keras/keras.json

• 配置theano文件 
  在终端中输入:

 
 
>>> gedit ~/.theanorc

并写入以下：

 
 
openmp=False
device = gpu
floatX = float32
allow_input_downcast=True
[lib]
cnmem = 0.8
[blas]
ldflags= -lopenblas
[nvcc]
fastmath = True

如果您的所安装的是CPU加速版本，那么.theanorc文件配置如下：

 
 
[global]
openmp=True
device = cpu
floatX = float32
allow_input_downcast=True
[blas]
ldflags= -lopenblas

之后可以验证keras是否安装成功,在命令行中输入Python命令进入Python变成命令行环境：

 
 
>>>import keras

没有报错，并且会打印出关于显卡信息以及cnmem等信息（CPU版本没有）那么Keras就已经成功安装了。

加速测试

速度测试

新建一个文件test.py，内容为：

 
 
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 xrange(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')

在GTX 970显卡下，输出结果大概是0.21秒，在一百倍运算量下19秒，可以进行对比。 
理论上，相比较主频为3.3GHz的CPU，加速比应该是75倍，但不同的ssd和内存限制了IO接口传输速度。

Keras中mnist数据集测试

下载Keras开发包

 
 
git clone https://github.com/fchollet/keras.git
cd keras/examples/
python mnist_mlp.py

程序无错进行，至此，keras安装完成。