為了進行強化學習研究,我最近購置了一台基于 Ubuntu 和英偉達 GPU 的深度學習機器。盡管目前在網絡中能找到一些環境部署指南,但目前仍然沒有全面的安裝說明。另外,我也不得不閱讀了很多文檔來試圖了解安裝細節——其中的一些并不完整,甚至包含文法錯誤。是以,本文試圖解決這個問題,提供一個詳盡的軟體環境安裝指南。
本文将指導你安裝
作業系統(Ubuntu)
4 種驅動和庫(GPU 驅動、CUDA、cuDNN 和 pip)
5 種 Python 深度學習庫(TensorFlow、Theano、CNTK、Keras 和 PyTorch)
這些軟體之間的互相依賴關系如下圖所示。其中,你隻需要安裝一種深度學習庫,請自由選擇。
深度學習軟體安裝和依賴示意圖
以下是各個軟體的細節介紹:
Ubuntu(v16.04.3)——作業系統,各種任務處理。
Nvidia GPU 驅動(v375)——允許系統獲得 GPU 帶來的加速。
CUDA(v8.0)——GPU C 語言庫。「計算同一裝置架構」。
cuDNN(v6.0.21)——基于 CUDA 的深度學習基元庫。「CUDA 深度學習庫」。
pip(v9.0.1)——Python 安裝包。「Pip 安裝包」。
TensorFlow(v1.3)——谷歌開發的深度學習架構。
Theano(v0.9.0)——此前由 MILA 負責維護的深度學習架構。
CNTK(v2.2)——微軟研究院開發的深度學習架構。
Keras(v2.0.8)——深度學習包裝可互換後端。可與 TensorFlow、Theano 和 CNTK 共同使用。
PyTorch(v0.2.0)——可被 GPU 加速的動态圖深度學習架構,主要由 Facebook 的研究人員負責開發。
1. 安裝 Ubuntu 16.04.3
v 16.04.3 可由 USB 啟動的方式安裝,它是最新的 LTS(長期支援)版本。首次在電腦上啟用時,請在 BIOS 中選擇由 USB 引導啟動。
我的電腦中有兩塊硬碟——一塊 1TB 的 SATA 和一塊 256GB 的 SSD。在我的設想中,Ubuntu 被安裝在正常硬碟中,固态硬碟(SSD)用于處理資料集和加速訓練。在安裝過程中,在螢幕中的 Installation Type 中選擇 Something else,随後我們要進行三個分區操作:
引導分區(128GB):包含系統檔案、程式設定和文檔。
交換分區(2 倍的記憶體大小):對于我來說這就是 128GB。這塊分區的容量用于擴充 Kernel RAM 作為虛拟記憶體使用。
使用者分區(剩下的部分):1TB 的硬碟剩下的空間大約還有 744GB。
在安裝後,最好先運作以下指令來更新核心版本。
sudo apt-get update
sudo apt-get upgrade
Reference:https://tutorials.ubuntu.com/tutorial/tutorial-install-ubuntu-desktop#0
2. 安裝英偉達 GPU 驅動
在安裝完 Ubuntu 後,你可能會發現螢幕的分辨率不對,而且不能修改,這是因為現在還沒有安裝 GPU 驅動。
安裝驅動有兩種方法:從 Ubuntu 資源庫和資料源。第一個方法更加容易,但需要頻繁的重新安裝。使用 sudo apt-get update 和 sudo apt-get upgrade 指令後,系統的核心可以自動更新。但這樣并不會更新英偉達驅動,可能會導緻 GUI 無法正确加載。從資料源安裝可以避免這個問題。
從安裝包裡安裝 v375 驅動(簡單的方法)
以下指令會将與你系統相相容的驅動版本顯示出來,它會提供兩個版本号:最新的不穩定版和長期穩定版。版本号會從頭列起,是以你需要把頁面滾到最上面。
sudo add-apt-repository ppa:graphics-drivers/ppa
添加并安裝資源庫。通過第二個指令,改變你想要安裝的<driver_number>。我們在這裡推薦安裝最新的長期穩定版本——375 版。
sudo apt-get install nvidia-<driver_number>
重新開機計算機以重新配置視訊輸出。
sudo shutdown -r now
要測試驅動程式是否工作,Screen Display(SUPERKEY,螢幕顯示類型)現在應該可以識别你使用的顯示器了,你可以修改設定、分辨率與方向。
Reference:https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa
從英偉達網站安裝 v384.90(較難的方法)
從英偉達網站下載下傳最新的驅動程式版本。基于硬體配置,我選擇的選項是:
GeForce -> GeForce 10 Series -> GeForce GTX 1080 -> Linux 64 bit -> English (UK)
可選條件:編譯到 32 位架構和 GUI 的開發版本。
sudo apt-get install gcc-multilib xorg-dev
按 CTRL + ALT + F1 鍵登入,從 GUI 轉至終端。為了重建視訊輸出,必須先将其暫停。
sudo service lightdm stop
如果指令行沒有效果,Ubuntu 新版本使用 systemctl 替換 lightdm。然後使 runfile 可執行,并運作它。
cd <download location>
chmod +x NVIDIA-Linux-x86_64-384.90.run
sudo ./NVIDIA-Linux-x86_64-384.90.run --dkms
運作時,你可能會收到一條 pre-install script failed 資訊。這沒什麼影響,因為預安裝腳本包含指令 exit 1,其目标是確定你真的想安裝驅動程式。
選項--dkms(預設開啟)在 kernel 自行更新時将驅動程式安裝至子產品中,進而阻止驅動程式重新安裝。在 kernel 更新期間,dkms 觸發驅動程式重編譯至新的 kernel 子產品堆棧。
如果安裝失敗,則原因在于計算機的 BIOS 未關閉 Secure Boot。重新開機電腦,在 BIOS 選項中關閉 Secure Boot。
如果安裝成功,則可以重新開機 GUI。
sudo service lightdm start
解除安裝:sudo ./NVIDIA-Linux-x86_64-384.90.run --uninstall
驗證
確定以下指令能夠識别正确的 GPU 版本
nvidia-smi
確定驅動程式版本号與你安裝的一緻
cat /proc/driver/nvidia/version
3. 安裝 CUDA 8.0
從英偉達網站,使用下列系統屬性下載下傳 CUDA 的 runfile(位址:https://developer.nvidia.com/cuda-downloads)。
Linux -> x86_64 -> Ubuntu -> 16.04 -> .deb(network)
導航至.deb 檔案的位置後,将該檔案解壓縮,更新軟體包清單,使用下列指令安裝 CUDA。
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get install cuda
将庫添加至 bash path,這樣就可以使用其他應用找到庫了。
echo 'export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
source ~/.bashrc
驗證時,使用 nvcc -V 確定 Nvidia C Compiler(nvcc)版本與 CUDA 的版本比對。
重新開機電腦 sudo shutdown -r now,完成安裝。
可選操作:測試 CUDA 安裝
測試安裝的一個方法是運作一些示例。以下指令行建立了一個存儲示例程式的 test_CUDA 目錄。
mkdir test_CUDA
cd test_CUDA
./cuda-install-samples-8.0.sh .
子目錄 NVIDIA_CUDA-8.0_Samples/3_Imaging/cudaDecodeGL 中是 findgllib.mk 檔案。該檔案的第 61 行 30 列包含了英偉達驅動程式的寫死值,該值應從 367 更改成你安裝的驅動程式版本号。
編譯示例
cd ../.. && make
你現在可以在 NVIDIA_CUDA-8.0_Samples 内随意運作示例。你可以在 NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release 中找到兩個非常有用的腳本:./deviceQuery 可以在使用過程中列印 GPU,./bandwidthTest 可以列印它的帶寬。
Reference:http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
4. 安裝 cuDNN 6.0.21
在英偉達網站上注冊開發者項目,同意條款。從下拉菜單中選擇 cuDNN v6.0.21 (April 27, 2017), for CUDA 8.0,并下載下傳:
cuDNN v6.0 Runtime Library for Ubuntu16.04 (Deb)
cuDNN v6.0 Developer Library for Ubuntu16.04 (Deb)
cuDNN v6.0 Code Samples and User Guide for Ubuntu16.04 (Deb)
.deb 優先于.tar,因為.deb 格式更适用于 Ubuntu,可以進行更純淨的安裝。使用下列指令安裝這三個包:
sudo dpkg -i libcudnn6_6.0.21-1+cuda8.0_amd64.deb
sudo dpkg -i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.deb
sudo dpkg -i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb
測試 cuDNN
将已安裝的示例複制到可讀目錄,然後編譯并運作 mnistCNN。
cp -r /usr/src/cudnn_samples_v6/ $HOME
cd $HOME/cudnn_samples_v6/mnistCUDNN
make clean && make
./mnistCUDNN
如果一切順利,腳本應該會傳回一條 Test passed! 消息。
解除安裝 cudnn
使用以下指令解除安裝三個庫。另外,如果你已經建立了樣本,那麼再加上 rm -r ~/cudnn_samples_v6。
sudo apt-get remove libcudnn6
sudo apt-get remove libcudnn6-dev
sudo apt-get remove libcudnn6-doc
Reference:cuDNN Installation Guide cuDNN Installation Guide(http://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html)
5. 安裝 pip 9.0.1
Pip 的更新非常頻繁,幾乎每兩周一次,建議使用最新版本的 pip。
請使用以下指令安裝和更新最新版本的 pip。
sudo apt-get install python-pip python-dev
sudo pip install --upgrade pip
驗證:請確定鍵入 pip -V 後可以列印出版本号。
6. 安裝 Tensorflow 1.3.0
pip install tensorflow-gpu
驗證:啟動$ python,确認是否以下腳本能夠列印出 Hello, Tensorflow!
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
Reference:https://www.tensorflow.org/install/install_linux
7. 安裝 Theano 0.10
Theano 需要的系統環境:
sudo apt-get install libopenblas-dev cmake git
此外還要遵循 Python 的系統需求。
sudo pip install numpy scipy nose sphinx pydot-ng pycuda scikit-cuda cython
libgpuarray 可以讓 Theano 使用 GPU,它必須從源編譯。首先下載下傳源代碼
git clone https://github.com/Theano/libgpuarray.git
cd libgpuarray
将其編譯為一個名為 Build 的檔案夾。
mkdir Build
cd Build
cmake .. -DCMAKE_BUILD_TYPE=Release
make
sudo make install
随後将其編譯成一個 Python 包。
cd ..
python setup.py build
sudo python setup.py install
将下面一行添加至 ~/.bashrc,這樣 Python 就可以找到庫了。
export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH
最後,安裝 Theano
sudo pip install git+https://github.com/Theano/Theano.git#egg=Theano
驗證:建立測試檔案 test_theano.py,其中的内容複制自:http://deeplearning.net/software/theano/tutorial/using_gpu.html#testing-theano-with-GPU
随後看看 THEANO_FLAGS=device=cuda0 python test_theano.py 在使用了 GPU 之後是否成功。
Reference: Theano 0.9.0 documentation(http://deeplearning.net/software/theano/install_ubuntu.html)
8. 安裝 CNTK 2.2
sudo pip install https://cntk.ai/PythonWheel/GPU/cntk-2.2-cp27-cp27mu-linux_x86_64.whl
驗證:輸入 python -c "import cntk; print(cntk.__version__)",輸出 2.2。
Reference: Setup CNTK on your machine(https://docs.microsoft.com/en-us/cognitive-toolkit/setup-cntk-on-your-machine)
9. 安裝 Keras 2.0.8
sudo pip install keras
驗證:檢查$ python 中的 import keras 是否成功。
Reference: Keras Installation(https://keras.io/#installation)
10. 安裝 PyTorch 0.2.0
PyTorch 運作在兩個庫上: torchvision 和 torch,我們需要這樣安裝:
sudo pip install http://download.pytorch.org/whl/cu80/torch-
0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl
sudo pip install torchvision
驗證:以下腳本能夠列印出一個帶有随機初始浮點數的張量。
from __future__ import print_function
import torch
x = torch.Tensor(5, 3)
print(x)
Reference: http://pytorch.org/
結論
目前為止,整個過程中最難的部分是找出 Nvidia 驅動和深度學習包之間的依賴關系,以及最有效的長期安裝過程。而最簡單的部分是安裝 Python,安裝包和文檔都得到了良好的維護。
雖然閱讀文檔和源代碼都非常耗費時間,但了解每個軟體包的建構和功能是非常具有啟發性的,它也可以幫助我們了解整個 Ubuntu 生态系統。
希望本文對你有所幫助。
原文釋出時間為:2017-10-04
本文來自雲栖社群合作夥伴“資料派THU”,了解相關資訊可以關注“資料派THU”微信公衆号