深度学习环境配置

深度学习环境配置

  前两个礼拜一直在折腾深度学习环境配置，现做如下笔记。这里对Ubuntu16.04配置gtx1060深度学习环境： cuda8.0+cudnn5.1+tensorflow0.11+theano0.8

1.装系统

  装系统本身很简单，不管是单系统还是双系统。重点是我们得先明白，硬盘分区分为MBR和GPT两种格式，这两种硬盘格式对相应系统是不兼容的。
  早期的硬盘分区格式为MBR格式，即一个主分区，几个逻辑分区（拓展分区）。经典的win硬盘分区方式。而GPT格式则不同，GTP允许多个主分区，系统可以装在任意一个主分区里。
  如果需要在MBR格式的硬盘里装系统，则需要把系统文件里的EFI文件删除。EFI文件为系统启动文件。

2环境配置

2.1 系统装好后先安装显卡驱动

  安装显卡驱动可以选择在线安装和离线安装，网速好的优先在线安装，因为通过命令行安装可以安装最新的显卡驱动而且Ubuntu会把相应的配置文件之类的也帮你安装好。
  在线安装方法：sudo add-apt-repository -qy ppa:graphics-drivers/ppa
　　　　　　　　　sudo add-apt-repository -qy ppa:graphics-drivers/ppa
　　　　　　　　　sudo apt-get -qy update
　　　　　　　　　sudo apt-get -qy install nvidia-370
　　　　　　　　　sudo apt-get -qy install mesa-common-dev
　　　　　　　　　sudo apt-get -qy install freeglut3-dev
　　　　　　　　　sudo reboot
  需要离线安装的先下载对应版本的NVIDIA显卡驱动。
  离线安装方法：sudo chmod 755 NVIDIA-Linux-x86_64-367.27.run
　　　　　　　　　sudo ./NVIDIA-Linux-x86_64-367.27.run
或者直接使用命令：sudo sh /home//.run 　#/home// 为你nvidia驱动文件所在的路径
  如果无法安装的话建议：ctrl+alt+f1进入tty模式.
  在运行命令：sudo /etc/init.d/lightdm stop
  然后在进行安装：sudo /home/**/.run
  安装完后记得：sudo reboot
  如果安装出现问题可以使用：sudo apt-get autoremove –purge nvidia-*　　sudo apt-get remove –purge nvidia-*对显卡驱动进行卸载，然后重新安装。出现循环登录时也可先卸载显卡驱动，然后重新安装。

2.2 安装cudn8.0

  这里使用离线安装方式。安装之前同样得先进入tty模式
  在运行命令：sudo /etc/init.d/lightdm stop
  然后在进行安装：sudo sh /home//.run #/home// 为你cuda8文件所在的路径

  执行后会有一系列提示让你确认，第一个就是问你是否安装显卡驱动，由于前一步已经安装了显卡驱动，所以这里就不需要了，况且 runfile 自带的驱动版本不是最新的。 因此 Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.77? 这里选择 no。

Do you accept the previously read EULA?
accept/decline/quit: accept

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.77?
(y)es/(n)o/(q)uit: n

Install the CUDA 8.0 Toolkit?
(y)es/(n)o/(q)uit: y

Enter Toolkit Location
[ default is /usr/local/cuda-8.0 ]:

Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 8.0 Samples?
(y)es/(n)o/(q)uit: y

Enter CUDA Samples Location
[ default is /home/programmer ]:

  除了第一个安装显卡驱动的按n，其余的一路y，和默认安装完。最后把以下两行加入到 .bashrc，添加环境变量，直接在命令行中运行这两行就行：
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}}

  测试是否安装成功，运行：nvidia-smi。结果如下所示：

    +-----------------------------------------------------------------------------+
    | NVIDIA-SMI 370.23                 Driver Version: 370.23                    |
    |-------------------------------+----------------------+----------------------+
    | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
    | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
    |===============================+======================+======================|
    |   0  GeForce GTX 1080    Off  | 0000:05:00.0      On |                  N/A |
    | 27%   29C    P8     9W / 180W |    515MiB /  8110MiB |      4%      Default |
    +-------------------------------+----------------------+----------------------+

    +-----------------------------------------------------------------------------+
    | Processes:                                                       GPU Memory |
    |  GPU       PID  Type  Process name                               Usage      |
    |=============================================================================|
    |    0      4761    G   /usr/lib/xorg/Xorg                             259MiB |
    |    0      5224    G   compiz                                         253MiB |
    +-----------------------------------------------------------------------------+

监视显存

我们设置为每 10s 显示一次显存的情况，-n后面的数字表示多少秒来执行一次命令

watch -n 10 nvidia-smi

结果如下图所示

再来试几个CUDA例子：

cd ~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery
make
执行 ./deviceQuery，得到：

CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 1080"
  CUDA Driver Version / Runtime Version          8.0 / 8.0
  CUDA Capability Major/Minor version number:    6.1
  Total amount of global memory:                 8110 MBytes (8504279040 bytes)
  (20) Multiprocessors, (128) CUDA Cores/MP:     2560 CUDA Cores
  GPU Max Clock rate:                            1734 MHz (1.73 GHz)
  Memory Clock rate:                             5005 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 2097152 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 5 / 0

  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GTX 1080
Result = PASS

至此，说明 CUDA 8.x 安装成功了。

3 安装cuDNN 5.1

  安装cuDNN比较简单，解压后把相应的文件拷贝到对应的CUDA目录下即可。在官网https://developer.nvidia.com/cudnn下载对应的cuDNN，我在安装的时候选择的是5.1

tar -xzvf cudnn-8.0-linux-x64-v5.1-tgz
cd cudnn
sudo cp lib* /usr/local/cuda/lib64/
sudo cp cudnn.h /usr/local/cuda/include/

监视显卡利用率：watch -n 10 nvidia-smi。设置为每 10s 显示一次显存的情况
nvcc -V　显示驱动版本信息
　　至此深度学习环境就配置好了，可以开始安装tensorflow和theano深度学习框架了。