配置
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:X299型号或Z270型号
- CPU: i7-6950X或i7-7700K 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 TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX
1080、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X299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6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 460 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。
- 如果您的显卡芯片为Pascal架构(NVIDIA GTX 1080,NVIDIA GTX 1070等),您只能在之后的配置中选择CUDA 8.0
Linux下安装
Ubuntu初始环境设置
强烈建议采用新版的Ubuntu 16.04 LTS 。
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其他版本,由于GCC编译器版本不同,会导致很多依赖无法有效安装。
# 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
>>> sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev
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
>>> sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
>>> sudo apt update
>>> sudo apt -y install cuda
# 将CUDA路径添加至环境变量 在终端输入
>>> sudo gedit /etc/profile
在profile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 /etc/profile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)
如果要进行cuda性能测试,可以进行:
>>> cd /usr/local/cuda/samples
>>> sudo make -j8
编译完成后,可以进samples/bin/…/…/…的底层目录,运行各类实例。
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目前最新的版本是cudnn V6,但对于tensorflow的预编译版本还不支持这个最近版本,建议采用5.1版本,即是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/include/
>>> sudo cp lib64/* /usr/local/cuda/lib64/
>>> cd /usr/local/cuda/lib64
>>> sudo ln -sf libcudnn.so.5.1.10 libcudnn.so.5
>>> sudo ln -sf libcudnn.so.5 libcudnn.so
>>> sudo ldconfig -v
Keras框架搭建
Keras使用了下面的依赖包:
- numpy,scipy
- pyyaml
- HDF5, h5py(可选,仅在模型的save/load函数中使用)
- 如果使用CNN的推荐安装cuDNN
- 当使用TensorFlow为后端时:TensorFlow
- 当使用Theano作为后端时:Theano
- 当使用CNTK作为后端时:CNTK
“后端”翻译自backend,指的是Keras依赖于完成底层的张量运算的软件包。
安装Keras时,请cd到Keras的文件夹中,并运行下面的安装命令:
sudo python setup.py install
你也可以使用PyPI来安装Keras
sudo pip install keras
还可以在终端中输入:
>>> 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 tensorflow-gpu
# >>> sudo pip install -U --pre tensorflow ## CPU版本
>>> sudo pip install -U --pre keras
安装完毕后,输入python,然后输入:
>>> import tensorflow
>>> import keras
无错输出即可
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。
windows下安装
windows环境设置
建议采用Windows_10_enterprise_2016_ltsb_x64作为基础环境。
win7也可以。
windows镜像文件推荐到MSDN我告诉你下载
编译环境Microsoft Visual Studio 2015 Update 3
(安装CPU版本非必须安装)
安装python环境
(注意:windows版本下的tensorflow暂时不支持python2.7)
CUDA
(安装CPU版本非必须安装)
安装CUDA8.0,下载地址:https://developer.nvidia.com/cuda-downloads
在下载之后,按照步骤安装,不建议新手修改安装目录,同上,环境不需要配置,安装程序会自动配置好。
加速库CuDNN
Windows目前最新版v6.0,但是keras尚未支持此版本,请下载v5.1版本,即 cudnn-8.0-win-x64-v5.1.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,默认文件夹在:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\8.0
Keras 框架搭建
在CMD命令行或者Powershell中输入:
# GPU 版本
>>> pip install --upgrade tensorflow-gpu
# CPU 版本
>>> pip install --upgrade tensorflow
# Keras 安装
>>> pip install keras -U --pre
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
Using Tensorflow backend.
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cublas64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cudnn64_5.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library cufft64_80.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library nvcuda.dll locally
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:135] successfully opened CUDA library curand64_80.dll locally
>>>
没有报错,那么Keras就已经成功安装了
Keras中mnist数据集测试 下载Keras开发包
>>> conda install git
>>> 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。