Ubuntu14.04 安装cuda+cudnn+tensorflow+caffe2环境

一. 安装包准备

• Ubuntu14.04系统
• cuda8.0
• cudnn6.0
• tensorflow1.3
• caffe2
• lantern, chrome, sogoupinying, pycharm

二. 开始安装

2.1 安装nvidia 1080显卡驱动

本文主机使用的是GTX 1070显卡，可根据GPU型号到Nvidia官网下载相应的最新驱动：

安装驱动过程需要关闭图像界面，使用Ctrl+Alt+F1进入字符界面终端, 输入如下命令:

 $ sudo apt-get install build-essential              # 安装c/c++编译环境
 $ sudo service lightdm stop                         # 关闭图形界面
 $ cd ~/Downloads/                                   # 进入存放驱动文件的目录
 $ sudo chmod +x NVIDIA-Linux-x86_64-384.69.run      # 给予文件可执行权限
 $ sudo ./NVIDIA-Linux-x86_64-384.69.run             # 开始安装

 ## 根据安装提示进行安装...
 $ sudo reboot                                       # 重启PC即可

重启PC后桌面分辨率变高，在lancher搜索nvidia出现NVIDIA X Server Settings应用(其他两个是在安装CUDA后才有):

可使用NVIDIA X Server Settings应用查看和设置GPU功能:

2.2 安装和测试cuda8.0

GTX1070和GTX1080显卡必须使用CUDA8.0以上的版本。到Nvidia CUDA官网下载最新的CUDA Toolkits安装包：

PS: 此处有两种安装包（runfile 和deb）可以选择。推荐使用runfile安装包，因为CUDA包本身就包含了显卡驱动，但不是最新的。如果使用deb包安装，它会在安装过程中自动覆盖步骤2.1安装的最新显卡驱动。使用runfile安装则可以选择不安装CUDA包自带的驱动。

打开Terminal输入以下命令:

$ cd /Dowloads/                                      # 进入存放cuda包的目录
$ sudo chmod +x cuda_8.0.61_375.26_linux.run         # 给予文件可执行权限
$ sudo ./cuda_8.0.61_375.26_linux.run

按步骤安装好cuda后，设置cuda环境变量:

$ vim(gedit) ~/.bashrc                               # 使用vim或gedit编辑.bashrc文件

# 在.basrch文件底部加入以下句后, 保存并退出
export CUDA_HOME=/usr/local/cuda-8.0
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

$ source ~/.bashrc                                   # 使文件配置生效

进行测试:

$ cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery    # 进入存放cuda例子的目录
$ sudo make
$ sudo ./deviceQuery                                        # 执行测试程序

2.3 安装cudnn6.0

Tensorflow 和 Caffe2 的最新发行版本现都只支持cudnn6.0，还未支持最新的cudnn7.0。到Nvidia官网下载cudnn6.0安装包:（下载需要注册Nvidia开发者账号和填写一个问卷）

打开Terminal输入以下命令:

$ cd /Downloads/
$ tar -xvf cudnn-8.0-linux-x64-v6.0.tgz
$ sudo cp cuda/include/cudnn.h /usr/local/cuda-8.0/include
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-8.0/lib64

# 安装 libcupti-dev 作为 NVIDIA CUDA Profile Tools Interface
$ sudo apt-get install libcupti-dev

到此Nvidia GPU环境配置完成。

2.4 安装和测试tensorflow

参考 tensorflow 官网安装教程有三种安装方式。本文采用 pip 直接将 tensorflow 安装到系统自带的 python2 中的方式。打开Terminal，输入以下命令:

$ sudo apt-get install python-pip python-dev    # 安装pip和python开发环境
$ sudo pip install --upgrade                    # 更新pip的版本
$ sudo pip install tensorflow-gpu               # 默认安装最新的1.3版本的tensorflow

$ sudo pip install ipython                      # 安装ipython，方便使用python终端做测试。
$ ipython                                       # 启动ipython

# 进入ipython环境后，输入以下测试代码
>> import tensorflow as tf                      # 导入tensorflow
>> const1 = tf.constant("hello tensorflow!")    # 定义一个常量tensor
>> sess = tf.Session()                          # 定义回话
>> sess.run(const1)                             # 执行

输出结果显示程序在GUP设备上运行：

2.5 安装和测试Caffe2

参考 caffe2 官方安装教程进行安装。相比于tensorflow的安装，caffe2就显得比较复杂和繁琐，需要安装大量依赖包。

打开Terminal，安装必须的依赖:

$ sudo apt-get install -y --no-install-recommends cmake git build-essential libgoogle-glog-dev libprotobuf-dev protobuf-compiler

$ sudo pip install numpy protobuf

安装可选依赖:

$ sudo apt-get install  -y --no-install-recommends \
                            libgflags2   \
                            libgtest-dev \
                            libiomp-dev \
                            libleveldb-dev \
                            liblmdb-dev \
                            libopencv-dev \
                            libopenmpi-dev \
                            libsnappy-dev \
                            openmpi-bin \
                            openmpi-doc \
                            python-pydot

$ sudo pip install  flask \
                        future \
                        graphviz \
                        hypothesis \
                        jupyter \
                        matplotlib \
                        pydot python-nvd3 \
                        pyyaml \
                        requests \
                        scikit-image \
                        scipy \
                        setuptools \
                        six \
                        tornado

下载源代码，编译和安装:

$ mkdir Caffe2 && cd Caffe2                     # 创建存放Caffe2源码的目录
$ git init                                      # 初始化该目录为git仓库
$ git clone --recursive https://github.com/caffe2/caffe2.git && cd caffe2

$ mkdir build && cd build                       # 创建存放编译文件的目录
$ cmake ..
$ make -j4                                      # 启动4线程进行编译
$ sudo make install                             # 安装

测试 caffe2 安装环境:

$ python -c 'from caffe2.python import core' 2>/dev/null && echo "Success" || echo "Failure"                                                      # 输出Success则安装成功

$ python -m caffe2.python.operator_test.relu_op_test    # 测试caffe2程序能否在GPU上正常运行

设置 caffe2 环境变量：

# 打开/etc/bash.bashrc, 加入以下行(全局配置)：
# set the caffe2 envirnment
export PYTHONPATH=/usr/local:$PYTHONPATH
export LD_LIBRARY_PATH=/usr/local/lib:$LD_LIBRARY_PATH

# 保存退出, 并执行:
$ source /etc/bash.bashrc

# 输出配置的caffe2环境变量
$ echo $PYTHONPATH
$ echo $LD_LIBRARY_PATH

运行 caffe2 测试程序:

$ ipython                                                   # 启动ipython

# 进入 ipython 终端
>> from caffe2.python import workspace, model_helper        # 导入caffe.python相关模块
>> import numpy as np                                       
>> x = np.random.rand(2, 3, 4)                              # 生成(2, 3, 4)维随机数据
>> workspace.FeedBlob("my_x", x)                            # 向工作空间填充数据
>> X = workspace.FetchBlob("my_x")                          # 向工作空间取回数据
>> print(X)

三. 配置pycharm开发环境

在安装好 tensorflow 和 caffe2 环境后，如果要用 pycharm 进行开发，最简单的方法就是在 Teminal 中使用命令启动 pycharm。但我们一般是通过桌面 icon 来启动的, 这种情况下就需要在 pycharm 的启动文件中导入它们依赖的一些环境变量。

打开Teminal，输入以下命令配置 pycharm 启动文件:

# 进入安装pycharm的目录中，将path_to_install_pycharm替换成你实际安装的路径
$ cd ~/path_to_installed_pycharm/bin         
$ vim (gedit) pycharm.sh                                    # 使用vim或者gedit编辑

# 找到设置 LD_LIBRARY_PATH 的那行,在上面插入以下两行:
export PYTHONPATH=/usr/local/:$PYTHONPATH                   # caffe2的python接口环境变量
LD_LIBRARY_PATH="/usr/local/cuda/lib64"                     # cuda动态库路径

# 保存退出并运行文件启动pycharm
$ ./pychram.sh

启动 pycharm 后，重新在 lancher 中锁定 pycharm 的 icon 。关闭 pycharm 后下次就用 icon 启动则可。

参考：

• http://www.nvidia.com/object/gpu-accelerated-applications-tensorflow-installation.html
• https://www.tensorflow.org/install/install_linux
• https://caffe2.ai/docs/getting-started.html?platform=ubuntu&configuration=compile
• http://blog.csdn.net/YHangbin/article/details/72260473