Ubuntu14.04+Theano+OpenCL+libgpuarray实现GPU运算

最新推荐文章于 2024-05-16 09:47:11 发布
最新推荐文章于 2024-05-16 09:47:11 发布
阅读量7.4k 收藏 2
点赞数 2
分类专栏： 机器学习 神经网络 Theano 文章标签： opencl
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/MajorDong100/article/details/51859994
版权

博客已经迁移至Marcovaldo’s blog (http://marcovaldong.github.io/)

上一篇博客介绍了如何使用Theano+logistic regression来实现kaggle上的数字手写识别，文末提到了CPU计算实在太慢，因此在做完这个实验之后，博主查阅了Theano的文档，了解到Theano官方仅支持CUDA进行GPU运算，不支持OpenCL，也就是说Theano官方仅支持N卡。原因是，CUDA和OpenCL是两个GPU计算平台，CUDA仅支持N卡，OpenCL支持所有的显卡，二者的具体区别还请自行查询。无奈博主的笔记本有一张intel的集成显卡和AMD的一张入门独显，而Theano非官方的提供了libgpuarray来支持OpenCL，因此博主花了大量的时间来尝试安装libgpuarray。

libgpuarray支持的OS有Debian6，Ubuntu14.04，MAC OS X10.11和win7，而网上能找到的成功安装libgpuarray的只有两篇博文，全是在MAC OS上，下面给出博文链接，供后面的同学参考：
https://www.robberphex.com/2016/05/521
http://codechina.org/2016/04/how-to-install-theano-on-mac-os-x-ei-caption-with-opencl-support/

博主的最初OS是win7，整个6月的空闲时间几乎都用在安装libgpuarray上了，遇到了无数个坑，然并卵，最终也没能成功。这里列出在win7上安装libgpuarray需要的一些环境，供后面的同学参考：

  • 最新的AMD显卡驱动，具体可前往AMD官网查询
  • AMD APP SDK，其提供了OpenCL
  • Cmake >= 3.0 (cmake)
  • g++，一般我们可以通过wingw或TDW-GCC来安装
  • visual studio
  • clBLAS (clblas)
  • libcheck

7月份在win7上装了Ubuntu14.04的双系统，尝试在Ubuntu上实现Theano+OpenCL的GPU运算，最终libgpuarray算是安装成功吧，只是还不能用A卡来计算，具体问题文末介绍。下面介绍整个过程。

安装Ubuntu14.04双系统

我的win7/Ubuntu14.04双系统安装过程参考了http://m.blog.csdn.net/article/details?id=43987599 这篇博文比较简单，这里不再展开。

安装AMD显卡驱动

博主开始是死在了这里，AMD驱动装坏了好几次，装坏了的结果就是重启后不能进入图形界面。然后只能在tty或者initramfs进行修复，这对于博主这种第一次接触linux的人来说太困难了，往往修复好了还是不能用，只好重装系统，整个过程重装了七八次。这里我介绍一种安装驱动的方法，比较简单快速（至少我是一次就成功了）。

在安装好Ubuntu14.04之后，第一件事就是换驱动。找到附加驱动，如下图所示，系统初始使用的驱动是开源的，我们选择来自fglrx的专有驱动，然后点击“应用更改”按钮，静静的等它装完重启。

附加驱动.png

重启后打开终端，输入fglrxinfo，终端会返回显卡信息，如下所示：

marcovaldo@marcovaldong:~$ fglrxinfo
display: :0  screen: 0
OpenGL vendor string: Advanced Micro Devices, Inc.
OpenGL renderer string: AMD Radeon HD 7400M Series
OpenGL version string: 4.5.13399 Compatibility Profile Context 15.201.1151

再在终端输入fgl_glxgears，会跳出一个测试窗口（旋转的方块），这就证明显卡驱动安装成功。这里，博主找到了安装驱动的比较好的方法，供后面的同学参考。
http://forum.ubuntu.org.cn/viewtopic.php?t=445434
http://www.tuicool.com/articles/6N3e2ir

安装AMD APP SDK

前往AMD官网下载SDK（注意OS和位数），我这里下载的是Linux64位版AMD APP SDK 3.0。文件解压后出现一个.sh文件，终端输入命令

sudo sh AMD-APP-SDK-v3.0.130.136-GA-linux64.sh

AMDSDK默认会安装在/opt/下，这时候在终端输入clinfo命令会返回OpenCL平台信息和计算设备信息，下面给出我的笔记本的数据：

marcovaldo@marcovaldong:~$ clinfo
Number of platforms:                 1
  Platform Profile:              FULL_PROFILE
  Platform Version:              OpenCL 2.0 AMD-APP (1800.11)
  Platform Name:                 AMD Accelerated Parallel Processing
  Platform Vendor:               Advanced Micro Devices, Inc.
  Platform Extensions:               cl_khr_icd cl_amd_event_callback cl_amd_offline_devices 


  Platform Name:                 AMD Accelerated Parallel Processing
Number of devices:               2
  Device Type:                   CL_DEVICE_TYPE_GPU
  Vendor ID:                     1002h
  Board name:                    AMD Radeon HD 7400M Series
  Device Topology:               PCI[ B#1, D#0, F#0 ]
  Max compute units:                 2
  Max work items dimensions:             3
    Max work items[0]:               256
    Max work items[1]:               256
    Max work items[2]:               256
  Max work group size:               256
  Preferred vector width char:           16
  Preferred vector width short:          8
  Preferred vector width int:            4
  Preferred vector width long:           2
  Preferred vector width float:          4
  Preferred vector width double:         0
  Native vector width char:          16
  Native vector width short:             8
  Native vector width int:           4
  Native vector width long:          2
  Native vector width float:             4
  Native vector width double:            0
  Max clock frequency:               700Mhz
  Address bits:                  32
  Max memory allocation:             134217728
  Image support:                 Yes
  Max number of images read arguments:       128
  Max number of images write arguments:      8
  Max image 2D width:                16384
  Max image 2D height:               16384
  Max image 3D width:                2048
  Max image 3D height:               2048
  Max image 3D depth:                2048
  Max samplers within kernel:            16
  Max size of kernel argument:           1024
  Alignment (bits) of base address:      2048
  Minimum alignment (bytes) for any datatype:    128
  Single precision floating point capability
    Denorms:                     No
    Quiet NaNs:                  Yes
    Round to nearest even:           Yes
    Round to zero:               Yes
    Round to +ve and infinity:           Yes
    IEEE754-2008 fused multiply-add:         Yes
  Cache type:                    None
  Cache line size:               0
  Cache size:                    0
  Global memory size:                536870912
  Constant buffer size:              65536
  Max number of constant args:           8
  Local memory type:                 Scratchpad
  Local memory size:                 32768
  Max pipe arguments:                0
  Max pipe active reservations:          0
  Max pipe packet size:              0
  Max global variable size:          0
  Max global variable preferred total size:  0
  Max read/write image args:             0
  Max on device events:              0
  Queue on device max size:          0
  Max on device queues:              0
  Queue on device preferred size:        0
  SVM capabilities:              
    Coarse grain buffer:             No
    Fine grain buffer:               No
    Fine grain system:               No
    Atomics:                     No
  Preferred platform atomic alignment:       0
  Preferred global atomic alignment:         0
  Preferred local atomic alignment:      0
  Kernel Preferred work group size multiple:     64
  Error correction support:          0
  Unified memory for Host and Device:        0
  Profiling timer resolution:            1
  Device endianess:              Little
  Available:                     Yes
  Compiler available:                Yes
  Execution capabilities:                
    Execute OpenCL kernels:          Yes
    Execute native function:             No
  Queue on Host properties:              
    Out-of-Order:                No
    Profiling :                  Yes
  Queue on Device properties:                
    Out-of-Order:                No
    Profiling :                  No
  Platform ID:                   0x7f98e6833430
  Name:                      Caicos
  Vendor:                    Advanced Micro Devices, Inc.
  Device OpenCL C version:           OpenCL C 1.2 
  Driver version:                1800.11
  Profile:                   FULL_PROFILE
  Version:                   OpenCL 1.2 AMD-APP (1800.11)
  Extensions:                    cl_khr_global_int32_base_atomics cl_khr_global_int32_extended_atomics cl_khr_local_int32_base_atomics cl_khr_local_int32_extended_atomics cl_khr_3d_image_writes cl_khr_byte_addressable_store cl_khr_gl_sharing cl_ext_atomic_counters_32 cl_amd_device_attribute_query cl_amd_vec3 cl_amd_printf cl_amd_media_ops cl_amd_media_ops2 cl_amd_popcnt cl_amd_image2d_from_buffer_read_only cl_khr_spir cl_khr_gl_event 


  Device Type:                   CL_DEVICE_TYPE_CPU
  Vendor ID:                     1002h
  Board name:                    
  Max compute units:                 4
  Max work items dimensions:             3
    Max work items[0]:               1024
    Max work items[1]:               1024
    Max work items[2]:               1024
  Max work group size:               1024
  Preferred vector width char:           16
  Preferred vector width short:          8
  Preferred vector width int:            4
  Preferred vector width long:           2
  Preferred vector width float:          8
  Preferred vector width double:         4
  Native vector width char:          16
  Native vector width short:             8
  Native vector width int:           4
  Native vector width long:          2
  Native vector width float:             8
  Native vector width double:            4
  Max clock frequency:               2299Mhz
  Address bits:                  64
  Max memory allocation:             2147483648
  Image support:                 Yes
  Max number of images read arguments:       128
  Max number of images write arguments:      64
  Max image 2D width:                8192
  Max image 2D height:               8192
  Max image 3D width:                2048
  Max image 3D height:               2048
  Max image 3D depth:                2048
  Max samplers within kernel:            16
  Max size of kernel argument:           4096
  Alignment (bits) of base address:      1024
  Minimum alignment (bytes) for any datatype:    128
  Single precision floating point capability
    Denorms:                     Yes
    Quiet NaNs:                  Yes
    Round to nearest even:           Yes
    Round to zero:               Yes
    Round to +ve and infinity:           Yes
    IEEE754-2008 fused multiply-add:         Yes
  Cache type:                    Read/Write
  Cache line size:               64
  Cache size:                    32768
  Global memory size:                6161788928
  Constant buffer size:              65536
  Max number of constant args:           8
  Local memory type:                 Global
  Local memory size:                 32768
  Max pipe arguments:                16
  Max pipe active reservations:          16
  Max pipe packet size:              2147483648
  Max global variable size:          1879048192
  Max global variable preferred total size:  1879048192
  Max read/write image args:             64
  Max on device events:              0
  Queue on device max size:          0
  Max on device queues:              0
  Queue on device preferred size:        0
  SVM capabilities:              
    Coarse grain buffer:             No
    Fine grain buffer:               No
    Fine grain system:               No
    Atomics:                     No
  Preferred platform atomic alignment:       0
  Preferred global atomic alignment:         0
  Preferred local atomic alignment:      0
  Kernel Preferred work group size multiple:     1
  Error correction support:          0
  Unified memory for Host and Device:        1
  Profiling timer resolution:            1
  Device endianess:              Little
  Available:                     Yes
  Compiler available:                Yes
  Execution capabilities:                
    Execute OpenCL kernels:          Yes
    Execute native function:             Yes
  Queue on Host properties:              
    Out-of-Order:                No
    Profiling :                  Yes
  Queue on Device properties:                
    Out-of-Order:                No
    Profiling :                  No
  Platform ID:                   0x7f98e6833430
  Name:                      Intel(R) Core(TM) i3-2350M CPU @ 2.30GHz
  Vendor:                    GenuineIntel
  Device OpenCL C version:           OpenCL C 1.2 
  Driver version:                1800.11 (sse2,avx)
  Profile:                   FULL_PROFILE
  Version:                   OpenCL 1.2 AMD-APP (1800.11)
  Extensions:                    cl_khr_fp64 cl_amd_fp64 cl_khr_global_int32_base_atomics cl_khr_global_int32_extended_atomics cl_khr_local_int32_base_atomics cl_khr_local_int32_extended_atomics cl_khr_int64_base_atomics cl_khr_int64_extended_atomics cl_khr_3d_image_writes cl_khr_byte_addressable_store cl_khr_gl_sharing cl_ext_device_fission cl_amd_device_attribute_query cl_amd_vec3 cl_amd_printf cl_amd_media_ops cl_amd_media_ops2 cl_amd_popcnt cl_khr_spir cl_khr_gl_event

另外还要在/root/.bashrc文件中添加环境变量，具体如下：

# AMD APP SDK
export AMDAPPSDKROOT="/opt/AMDAPPSDK-3.0"
export AMDAPPSDKSAMPLESROOT="/opt/AMDAPPSDK-3.0/""
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:"/opt/AMDAPPSDK-3.0/lib/x86_64":"/opt/AMDAPPSDK-3.0/lib/x86"
export ATISTREAMSDKROOT=$AMDAPPSDKROOT

到这里，AMD APP SDK就算是安装好了，下面再给出我参考的几篇博文：
https://www.blackmoreops.com/2013/11/22/install-amd-app-sdk-kali-linux/
http://blog.csdn.net/vblittleboy/article/details/8979288

升级python

Ubuntu14.04自带的python版本是2.7.6的，我这里把它升级成了2.7.11的，具体方法是在终端输入下面三条命令：

sudo add-apt-repository ppa:fkrull/deadsnakes-python2.7
sudo apt-get update  
sudo apt-get upgrade

安装libgpuarray

为了防止安装过程出现错误影响整个python的环境，这里我们使用python的虚拟环境。

sudo apt-get install python-virtualenv
sudo apt-get install python-pip
virtualenv venv
source venv/bin/activate

然后我们就进入了python的一个虚拟环境venv，下面的操作全是在venv中进行的。首先安装Theano和libgpuarray的一些依赖包，具体要求看libgpuarray官方文档

pip install numpy
pip install Cython
pip install Scipy

安装scipy时可能会报错，可参考下面链接来修复：
http://stackoverflow.com/questions/11114225/installing-scipy-and-numpy-using-pip

然后是安装Theano，注意版本号为0.8.2的稳定Theano跟libgpuarray是不同步的，在使用时会报错，具体文末会提到。这里我安装的是Theano(0.9.0dev)：

pip install git+https://github.com/Theano/Theano.git
# 这里我使用的是robberphex的CSDN镜像，在此表示感谢
# pip install git+https://code.csdn.net/u010096836/theano.git

这里还用到了libcheck，因此装上它：

sudo apt-get install check

下面开始安装libgpuarray

git clone https://github.com/Theano/libgpuarray.git
cd libgpuarray
mkdir Build
cd Build
cmake . -DCMAKE_INSTALL_PREFIX=../venv/ -DCMAKE_BUILD_TYPE=Release
make install 

export LIBRARY_PATH=$LIBRARY_PATH:$PWD/../venv/lib
export CPATH=$CPATH:$PWD/../venv/

python setup.py build
python setup.py install

下面开始测试一下，Theano官方给出了一段测试程序，我们命名为test.py，程序如下：

from theano import function, config, shared, tensor, sandbox
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([], tensor.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, tensor.Elemwise) and
              ('Gpu' not in type(x.op).__name__)
              for x in f.maker.fgraph.toposort()]):
    print('Used the cpu')
else:
    print('Used the gpu')

先是仅用Theano和CPU，结果如下：

(venv)marcovaldo@marcovaldong:~/desktop$ python test.py
[Elemwise{exp,no_inplace}(<TensorType(float64, vector)>)]
Looping 1000 times took 7.7898850441 seconds
Result is [ 1.23178032  1.61879341  1.52278065 ...,  2.20771815  2.29967753
  1.62323285]
Used the cpu

再是加了THEANO_FLAGS=mode=FAST_RUN的：

(venv)marcovaldo@marcovaldong:~/desktop$ THEANO_FLAGS=mode=FAST_RUN,floatX=float32 python test.py
[Elemwise{exp,no_inplace}(<TensorType(float32, vector)>)]
Looping 1000 times took 3.86811089516 seconds
Result is [ 1.23178029  1.61879337  1.52278066 ...,  2.20771813  2.29967761
  1.62323284]
Used the cpu
(venv)marcovaldo@marcovaldong:~/desktop$ THEANO_FLAGS=mode=FAST_RUN,device=cpu,floatX=float32 python test.py
[Elemwise{exp,no_inplace}(<TensorType(float32, vector)>)]
Looping 1000 times took 3.84727883339 seconds
Result is [ 1.23178029  1.61879337  1.52278066 ...,  2.20771813  2.29967761
  1.62323284]
Used the cpu

下面使用OpenCL的时候就报错，网上没有找到有效的解决方法，希望有遇到过的大神给指点迷津，具体如下：

(venv)marcovaldo@marcovaldong:~/desktop$ THEANO_FLAGS=mode=FAST_RUN,device=opencl0:0,floatX=float32 python test.py
ERROR (theano.sandbox.gpuarray): Could not initialize pygpu, support disabled
Traceback (most recent call last):
  File "/home/marcovaldo/myvenv/venv/local/lib/python2.7/site-packages/theano/sandbox/gpuarray/__init__.py", line 96, in <module>
    init_dev(config.device)
  File "/home/marcovaldo/myvenv/venv/local/lib/python2.7/site-packages/theano/sandbox/gpuarray/__init__.py", line 47, in init_dev
    "Make sure Theano and libgpuarray/pygpu "
RuntimeError: ('Wrong major API version for gpuarray:', -9997, 'Make sure Theano and libgpuarray/pygpu are in sync.')
[Elemwise{exp,no_inplace}(<TensorType(float32, vector)>)]
Looping 1000 times took 3.86138486862 seconds
Result is [ 1.23178029  1.61879337  1.52278066 ...,  2.20771813  2.29967761
  1.62323284]
Used the cpu

到这里，如果你没有下面的这个问题，你的libgpuarray应该就算装好了。

RuntimeError: ('Wrong major API version for gpuarray:', -9997, 'Make sure Theano and libgpuarray/pygpu are in sync.')
RuntimeError: ('Wrong major API version for gpuarray:', -9998, 'Make sure Theano and libgpuarray/pygpu are in sync.')

接下来我会抽时间翻译一下libgpuarray的官方安装文档，供后来的同学参考。

现在的深度计算工具都是官方支持N卡，A卡在这方面实在太吃亏了，希望各个深度学习工具能尽快做出支持A卡的API。

最后鸣谢robberphex和Tinyfool，二位的博客我提供了思路。

参考链接

Marcovaldo
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Windows环境 Tensorflow-2.6.0 编译 C++ GPU Lib DLL (bazel)（后面会提供编译好的库）
点云算法工程师
02-27 1056
Windows环境 Tensorflow-2.6.0 编译 C++ GPU Lib DLL (bazel)（后面会提供编译好的库）
ubuntu16.04安装pygpu(libgpuarray)
u013373676的博客
04-12 2955
conda install -c conda-forge pygpu具体conda的安装见上一篇文章
探索高性能计算新境界：CLBlast 开源库详解
最新发布
gitblog_00081的博客
05-16 456
探索高性能计算新境界：CLBlast 开源库详解 项目地址:https://gitcode.com/CNugteren/CLBlast CLBlast 是一个专为提升 OpenCL 设备性能而设计的轻量级、高性能和可调优的 C++11 实现的 BLAS 库。它旨在充分利用各种 OpenCL 硬件的潜力，包括桌面与笔记本 GPU、嵌入式 GPU 和其他加速器。无论您是追求极致性能，还是希望对底层代码...
（自记录）配置libtorch GPU VS2019,添加的lib依赖
weixin_42582355的博客
10-20 582
torch.lib torch_cuda.lib caffe2_detectron_ops_gpu.lib caffe2_module_test_dynamic.lib torch_cpu.lib c10_cuda.lib caffe2_nvrtc.lib mkldnn.lib c10.lib dnnl.lib libprotoc.lib libprotobuf.lib libprotobuf-lite.lib fbgemm.lib asmjit.lib cpuinfo.lib clog.lib
探索高效计算新边界：libGPU - 打开GPU编程的宝藏库
gitblog_00027的博客
04-05 388
探索高效计算新边界：libGPU - 打开GPU编程的宝藏库 项目地址:https://gitcode.com/rexbu/libGPU 项目简介 libGPU 是一个开源的、跨平台的库，旨在简化并优化利用GPU进行高性能计算的过程。它提供了一套简洁的API接口，让开发者能够以较低的学习曲线，高效地利用GPU的强大运算能力，加速科学计算、图像处理、机器学习等任务。 技术分析 libGPU的核心在于...
libgrape-lite on GPUs：GPU助力加速图分析任务
graphscope的博客
02-25 430
libgrape-lite on GPUs：GPU助力加速图分析任务背景CPU vs. GPU将 PIE 迁移到 GPU差异化的负载均衡策略平衡并行度和计算效率GPU 带来的性能提升总结与展望 在之前的文章中，我们介绍了 GraphScope 背后的图分析引擎原型 GRAPE 系统以及其开源实现 libgrape-lite。本文将介绍 libgrape-lite 的新功能：利用 GPU 来处理 PIE 模型下的图分析任务。这项新功能能够使用户无感地将图分析任务迁移到 GPU 上，利用其高并发高带宽的特性，
Theono版本引起的错误
qq_35284836的博客
03-03 730
使用nematus需要用到theano环境，但是运行时theano报了各种错误。 其中一部分是cudnn导致的，在我的另一篇博客[ubuntu上的cudnn安装及使用报错解决办法]中有提到。还有一部分是theano版本引起的。 运行报错： AttributeError: 'module' object has no attribute 'tests' 看教程里的解决办法是将theano版本安装为...
基于libvirt创建vGPU实例
wuyongpeng的专栏
02-03 4689
一、什么是vGPU？ vGPU（virutal GPU）是实现在虚机中使用GPU资源的一种方式。虚机使用GPU的另外一种方式是passthrough，即GPU直通到vm虚机中。
K8S节点GPU虚拟化(vGPU)
windfbi
07-28 2422
4paradigm提供了k8s-device-plugin，该插件基于NVIDIA官方插件(NVIDIA/k8s-device-plugin)，在保留官方功能的基础上，实现了对物理GPU进行切分，并对显存和计算单元进行限制，从而模拟出多张小的vGPU卡。，虚拟化之后原GPU可以切成6份使用，每份占用显存8Gi，虚拟化之后多出的显存实际是用内存作显存使用，所以注意节点的内存大小（要留够节点正常运行所需的内存），不然会出现OOM的情况，在需要进行虚拟化的节点打上标签nvidia-vgpu: "on"即可。
在我的Macbook Pro上安装能使用GPU加速的Theano
TonLP的博客
11-01 1万+
在我的Macbook Pro上安装能使用GPU加速的Theano目的最近深度学习的应用非常火爆，有意向要在NLP上应用深度学习的我要对各种开源的深度学习库进行探索，目前比较流行的Python语言的深度学习库有Theano、Google开源的Tensorflow、keras等。由于我日常使用的机器都是Macbook Pro，没有N卡，只有一张Intel Iris(TM) Graphics 6100（本
RuntimeError: cuda runtime error (3) : initialization error at /pytorch/aten/src/THC/THCGeneral.cpp:
Hello Word!
02-15 8471
第三个大坑： THCudaCheck FAIL file=/pytorch/aten/src/THC/THCGeneral.cpp line=50 error=3 : initialization error Process Process-12: Traceback (most recent call last): File "/usr/lib/python3.6/multipro...
转：Theano使用GPU踩坑
BeeGreen的博客
06-15 2545
原文作者：lypbendlf 原文链接：https://www.cnblogs.com/BlueBlueSea/p/10778345.html 1.安装pygpu的部分 #使用豆瓣源or不使用，均安装失败 pip install pygpu -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com #报错： Looking...
nvcc编译器之设备和主机独立编译（chapter 6）
犇叔的博客
12-01 1063
nvcc编译，cuda编译，GPU代码编译
python调用gpu amd,在AMD GPU中将Python + Theano与OpenCL一起使用
weixin_34614567的博客
12-09 355
I'm trying to use Python with Theano to accelerate some code with OpenCL. I installed libgpuarray and pygpu as instructed (I think), and got no errors. The installation detected the OpenCL runtime ins...
python调用gpu amd_在AMD GPU中将Python + Theano与OpenCL一起使用
weixin_39520880的博客
12-09 203
I'm trying to use Python with Theano to accelerate some code with OpenCL. I installed libgpuarray and pygpu as instructed (I think), and got no errors. The installation detected the OpenCL runtime ins...
Linux上使用AMD的OpenCL开发运行环境 (经验分享)
忆浅曦
11-17 6044
本人电脑系统Centos6.6 首先确定自己的显卡类型，如果是集显就不要装catalyst驱动了，不然会进不去图形界面。 双显卡中有一个是集显的，慎重考虑下，因为为了正常使用，你的集显会不能使用，只能使用独显的。 独显可以直接往下进行 安装步骤可以根据这个网址安装：http://blog.csdn.net/zhangoi391/article/details/9613117  AMD SDK
OpenCL——AMD平台搭建
热门推荐
绝尘
10-16 1万+
AMD OpenCL 介绍在Windows系统下基于AMD GPU的OpenCL环境的搭建，并且基于矢量加法实例程序。 构建示例 在传统的AMD APP SDK设计中，已经不存在了，不知道为什么。但是AMD给了一种其他的方式， https://github.com/GPUOpen-LibrariesAndSDKs/OCL-SDK/releases 下载OCL_SDK_Light_AMD.exe，...
theano及cuda环境搭建
weixin_39215042的博客
07-12 959
最近刚刚配置了deep learning的环境，折腾了两三天，查阅了很多资料，各种尝试，终于成功了，下面把搭建过程详细记录下来，希望给自己和有需要的人提供更多参考和帮助。 theano安装： 依赖资源有：Anaconda，资源：https://www.continuum.io/downloads。 这里简要介绍一下Anaconda,Anaconda是一款等价于python的语言平台，
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值