轉載 https://blog.csdn.net/u010821666/article/details/79211546
小編在進行深度學習時需要用到相應的框架,在有gpu的前提下,前面八步都是安裝所必須的。
但先如今caffe框架沒有以前那麼實用,推薦各位讀者安裝keras tensorflow和pytorch,同樣是一樣好的深度學習框架,可供大家使用gpu加速,同樣的安裝cuda和cudnn是必須的。下列僅供參考:
安裝硬件: intel i5 + NVIDIA 740 M
安裝流程細分爲如下10個步驟,細化步驟粒度更易避免出錯:
1、安裝依賴包
2、禁用 nouveau
3、配置環境變量
4、下載 CUDA 8.0
5、安裝 CUDA 8.0
6、驗證 CUDA 8.0 是否安裝成功
7、安裝 cudnn
8、安裝 opencv3.1
9、安裝 caffe
10、安裝 pycaffe notebook 接口環境
第1步 安裝依賴包
安裝後續步驟或環境必需的依賴包,依次輸入以下命令:
sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo apt-get install git cmake build-essential
有一定機率安裝失敗而導致後續步驟出現問題,所以要確保以上依賴包都已安裝成功,驗證方法就是重新運行安裝命令,如驗證 git cmake build-essential是否安裝成功共則再次運行以下命令:
sudo apt-get install git cmake build-essential
界面提示如下則說明已成功安裝依賴包,否則繼續安裝直到安裝成功。
yhao@yhao-X550VB:~$ sudo apt-get install git cmake build-essential
正在讀取軟件包列表... 完成
正在分析軟件包的依賴關係樹
正在讀取狀態信息... 完成
build-essential 已經是最新版 (12.1ubuntu2)。
cmake 已經是最新版 (3.5.1-1ubuntu3)。
git 已經是最新版 (1:2.7.4-0ubuntu1.1)。
下列軟件包是自動安裝的並且現在不需要了:
lib32gcc1 libc6-i386
使用'sudo apt autoremove'來卸載它(它們)。
升級了 0 個軟件包,新安裝了 0 個軟件包,要卸載 0 個軟件包,有 94 個軟件包未被升級。
第2步 禁用 nouveau
安裝好依賴包後需要禁用 nouveau,只有在禁用掉 nouveau 後才能順利安裝 NVIDIA 顯卡驅動,禁用方法就是在 /etc/modprobe.d/blacklist-nouveau.conf 文件中添加一條禁用命令,首先需要打開該文件,通過以下命令打開:
sudo gedit /etc/modprobe.d/blacklist-nouveau.conf
打開後發現該文件中沒有任何內容,寫入:
blacklist nouveau option nouveau modeset=0
保存時命令窗口可能會出現以下提示:
** (gedit:4243): WARNING **: Set document metadata failed: 不支持設置屬性 metadata::gedit-position
無視此提示~,保存後關閉文件,注意此時還需執行以下命令使禁用 nouveau 真正生效:
sudo update-initramfs -u
第3步 配置環境變量
同樣使用 gedit 命令打開配置文件:
sudo gedit ~/.bashrc
打開後在文件最後加入以下兩行內容:
export LD_LIBRARY_PATH=/usr/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=/lib/x86_64-linux-gnu:$LD_LIBRARY_PATH
保存退出。
第4步 下載 CUDA 8.0
進入 https://developer.nvidia.com/cuda-downloads ,依次選擇 CUDA 類型然後下載即可。
第5步 安裝 CUDA 8.0
第四步下載的1.4G的 CUDA中包含有 nvidia 顯卡驅動,故此步驟 CUDA 的安裝包括了 nvidia 顯卡驅動的安裝,此時注意你是否已經安裝過 nvidia 顯卡驅動,若無法保證已安裝的 nvidia 顯卡驅動一定正確,那就卸載掉之前安裝的 nvidia 顯卡驅動(卸載方法鏈接),然後開始安裝 CUDA 8.0;若可以保證已安裝正確的 nvidia 顯卡驅動,則直接開始安裝 CUDA 8.0,在安裝過程中選擇不再安裝 nvidia 顯卡驅動。
爲了方便開始安裝過程的路徑查找,把下載的 CUDA 安裝文件移動到 HOME 路徑下,然後通過 Ctrl + Alt + F1 進入文本模式,輸入帳號密碼登錄,通過 Ctrl + Alt + F7 可返回圖形化模式,在文本模式登錄後首先關閉桌面服務:
sudo service lightdm stop
然後通過 Ctrl + Alt + F7 發現已無法成功返回圖形化模式,說明桌面服務已成功關閉,注意此步對接下來的 nvidia 驅動安裝尤爲重要,必需確保桌面服務已關閉。
Ctrl + Alt + F1 進入文本模式,然後運行 CUDA 安裝文件進行安裝,之前我們已經把 CUDA 安裝文件移動至 HOME,直接通過 sh 命令運行安裝文件即可:
sudo sh cuda_8.0.61_375.26_linux.run --no-opengl-libs
其中 cuda_8.0.61_375.26_linux.run 是我的 CUDA 安裝文件名,而你需替換爲自己的 CUDA 安裝文件名,若此時忘記可直接通過 ls 文件查看文件名,這也是我建議把 CUDA 安裝文件移動到 HOME 下的另一個原因。
執行此命令約1分鐘後會出現 0%信息,此時長按回車鍵讓此百分比增長,直到100%,然後按照提示操作即可,先輸入 accept ,然後讓選擇是否安裝 nvidia 驅動,這裏的選擇對應第5步開頭,若未安裝則輸入 “y”,若確保已安裝正確驅動則輸入“n”。
剩下的選擇則都輸入“y”確認安裝或確認默認路徑安裝,開始安裝,此時若出現安裝失敗提示則可能爲未關閉桌面服務或在已安裝 nvidia 驅動的情況下重複再次安裝 nvidia 驅動,安裝完成後輸入重啓命令重啓:
reboot
重啓後登錄進入系統,配置 CUDA 環境變量,與第3步相同,使用 gedit 命令打開配置文件:
sudo gedit ~/.bashrc
在該文件最後加入以下兩行並保存:
export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
使該配置生效:
source ~/.bashrc
第6步 驗證 CUDA 8.0 是否安裝成功
分別執行以下命令:
cd /usr/local/cuda-8.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery
若看到類似以下信息則說明 cuda 已安裝成功:
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: "GeForce GT 740M"
CUDA Driver Version / Runtime Version 8.0 / 8.0
CUDA Capability Major/Minor version number: 3.5
Total amount of global memory: 2004 MBytes (2100953088 bytes)
( 2) Multiprocessors, (192) CUDA Cores/MP: 384 CUDA Cores
GPU Max Clock rate: 1032 MHz (1.03 GHz)
Memory Clock rate: 800 Mhz
Memory Bus Width: 64-bit
L2 Cache Size: 524288 bytes
Maximum Texture Dimension Size (x,y,z) 1D=(65536), 2D=(65536, 65536), 3D=(4096, 4096, 4096)
Maximum Layered 1D Texture Size, (num) layers 1D=(16384), 2048 layers
Maximum Layered 2D Texture Size, (num) layers 2D=(16384, 16384), 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 1 copy engine(s)
Run time limit on kernels: No
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 / 1 / 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 GT 740M
Result = PASS
第7步 安裝 cudnn
登錄官網:https://developer.nvidia.com/rdp/cudnn-download ,下載對應 cuda 版本且 linux 系統的 cudnn 壓縮包,注意官網下載 cudnn 需要註冊帳號並登錄,不想註冊的可從我的網盤下載:https://pan.baidu.com/s/1c2xPVzy
下載完成後解壓,得到一個 cudn 文件夾,該文件夾下include 和 lib64 兩個文件夾,命令行進入 cudn/include 路徑下,然後進行以下操作:
sudo cp cudnn.h /usr/local/cuda/include/ #複製頭文件
然後命令行進入 cudn/lib64 路徑下,運行以下命令:
sudo cp lib* /usr/local/cuda/lib64/ #複製動態鏈接庫
cd /usr/local/cuda/lib64/sudo rm -rf libcudnn.so libcudnn.so.5 #刪除原有動態文件
sudo ln -s libcudnn.so.5.1.10 libcudnn.so.5 #生成軟銜接
sudo ln -s libcudnn.so.5 libcudnn.so #生成軟鏈接
這裏需要注意第三行命令,網上有人的第三行命令爲:
sudo ln -s libcudnn.so.5.1.5 libcudnn.so.5 #生成軟銜接
起初我執行的也是上條鏈接 libcudnn.so.5.1.5 的命令,但是後面編譯caffe時出錯,報錯內容爲 /usr/bin/ld: 找不到 -lcudnn,所以這裏需要先查看一下自己應該鏈接的是 libcudnn.so.5.1.10 還是 libcudnn.so.5.1.5 ,查看方法爲下:
locate libcudnn.so
我執行完後顯示如下:
yhao@yhao-X550VB:~$ locate libcudnn.so
/home/yhao/.local/share/Trash/files/libcudnn.so
/home/yhao/.local/share/Trash/files/libcudnn.so.5
/home/yhao/.local/share/Trash/files/libcudnn.so.5.1.10
/home/yhao/.local/share/Trash/files/cuda/lib64/libcudnn.so
/home/yhao/.local/share/Trash/files/cuda/lib64/libcudnn.so.5
/home/yhao/.local/share/Trash/files/cuda/lib64/libcudnn.so.5.1.10
/home/yhao/.local/share/Trash/info/libcudnn.so.5.1.10.trashinfo
/home/yhao/.local/share/Trash/info/libcudnn.so.5.trashinfo
/home/yhao/.local/share/Trash/info/libcudnn.so.trashinfo
/home/yhao/cuda/lib64/libcudnn.so
/home/yhao/cuda/lib64/libcudnn.so.5
/home/yhao/cuda/lib64/libcudnn.so.5.1.10
/usr/local/lib/libcudnn.so
/usr/local/lib/libcudnn.so.5
可以看到我的文件是 libcudnn.so.5.1.10 ,並沒有 libcudnn.so.5.1.5,所以第三行命令我鏈接的是 libcudnn.so.5.1.10 ,這裏第三行鏈接命令視你的查看結果而定。
安裝完成後可用 nvcc -V 命令驗證是否安裝成功,若出現以下信息則表示安裝成功:
yhao@yhao-X550VB:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2016 NVIDIA Corporation
Built on Tue_Jan_10_13:22:03_CST_2017
Cuda compilation tools, release 8.0, V8.0.61
第8步 安裝 opencv3.1
進入官網 : http://opencv.org/releases.html , 選擇 3.1.0 版本的 source , 下載 opencv-3.1.0.zip
解壓到你要安裝的位置,命令行進入已解壓的文件夾 opencv-3.1.0 目錄下,執行:
mkdir build # 創建編譯的文件目錄
cd build
cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local ..
make -j8 #編譯
在執行 make -j8 命令編譯到 92% 時可能會出現以下錯誤:
modules/cudalegacy/src/graphcuts.cpp:120:54: error:
‘NppiGraphcutState’ has not been declared
typedef NppStatus (*init_func_t)(NppiSize oSize,
NppiGraphcutState** ppState, Npp8u* pDeviceMem);
這是由於opecv3.1與cuda8.0不兼容導致的。解決辦法:
修改 /opencv-3.1.0/modules/cudalegacy/src/graphcuts.cpp 文件內容,如圖:
編譯成功後安裝:
sudo make install #安裝
安裝完成後通過查看 opencv 版本驗證是否安裝成功:
pkg-config --modversion opencv
第9步 安裝 caffe
首先在你要安裝的路徑下 clone :
git clone https://github.com/BVLC/caffe.git
進入 caffe ,將 Makefile.config.example 文件複製一份並更名爲 Makefile.config ,也可以在 caffe 目錄下直接調用以下命令完成複製操作 :
sudo cp Makefile.config.example Makefile.config
複製一份的原因是編譯 caffe 時需要的是 Makefile.config 文件,而Makefile.config.example 只是caffe 給出的配置文件例子,不能用來編譯 caffe。
然後修改 Makefile.config 文件,在 caffe 目錄下打開該文件:
sudo gedit Makefile.config
修改 Makefile.config 文件內容:
1.應用 cudnn
將
#USE_CUDNN := 1
修改成:
USE_CUDNN := 1
2.應用 opencv 版本
將
#OPENCV_VERSION := 3
修改爲:
OPENCV_VERSION := 3
3.使用 python 接口
將
#WITH_PYTHON_LAYER := 1
修改爲
WITH_PYTHON_LAYER := 1
4.修改 python 路徑
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib
修改爲:
INCLUDE_DIRS := $(PYTHON_INCLUDE) /usr/local/include /usr/include/hdf5/serial
LIBRARY_DIRS := $(PYTHON_LIB) /usr/local/lib /usr/lib /usr/lib/x86_64-linux-gnu /usr/lib/x86_64-linux-gnu/hdf5/serial
這裏貼出 我的Makefile.config文件 方便大家參考
然後修改 caffe 目錄下的 Makefile 文件:
將:
NVCCFLAGS +=-ccbin=$(CXX) -Xcompiler-fPIC $(COMMON_FLAGS)
替換爲:
NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)
將:
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_hl hdf5
改爲:
LIBRARIES += glog gflags protobuf boost_system boost_filesystem m hdf5_serial_hl hdf5_serial
然後修改 /usr/local/cuda/include/host_config.h 文件 :
將
#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
改爲
//#error-- unsupported GNU version! gcc versions later than 4.9 are not supported!
OK ,可以開始編譯了,在 caffe 目錄下執行 :
make all -j8
這是如果之前的配置或安裝出錯,那麼編譯就會出現各種各樣的問題,所以前面的步驟一定要細心。
編譯成功後可運行測試:
sudo make runtest -j8
如果顯示結果爲上圖所示,則表示 caffe 已經成功安裝。
10、安裝 pycaffe notebook 接口環境
在上一步成功安裝 caffe 之後,就可以通過 caffe 去做訓練數據集或者預測各種相關的事了,只不過需要在命令行下通過 caffe 命令進行操作,而這一步 pycaffe 的安裝以及 notebook 環境配置只是爲了更方便的去使用 caffe ,實際上大多數都是通過 python 來操作 caffe 的,而 notebook 使用瀏覽器作爲界面,可以更方便的編寫和執行 python 代碼。
首先編譯 pycaffe :
cd caffe
sudo make pycaffe -j8
以下是我編譯 pycaffe 時出現的錯誤:
python/caffe/_caffe.cpp:10:31: fatal error: numpy/arrayobject.h: 沒有那個文件或目錄
解決方法:
sudo apt-get install python-numpy
此外也可能是由於 Makefile.config 文件中 python 路徑設置錯誤出現的錯誤,可根據上一步檢查一下,也可能出現別的錯誤,百度谷歌之~
編譯 pycaffe 成功後,驗證一下是否可以在 python 中導入 caffe 包,首先進入 python 環境:
python
然後導入 caffe :
>>> import caffe
若不報錯則表示 caffe 的 python 接口已正確編譯,但是應該不會那麼順利,以下是我導入 caffe 時出現的錯誤:
錯誤1:
File "<stdin>", line 1, in <module> ImportError: No module named caffe
解決方法:
sudo echo export PYTHONPATH="~/caffe/python" >> ~/.bashrc
source ~/.bashrc
錯誤2:
ImportError: No module named skimage.io
解決方法:
pip install -U scikit-image #若沒有安裝pip: sudo apt install python-pip
ok,最後一步,配置notebook環境
首先要安裝python接口依賴庫,在caffe根目錄的python文件夾下,有一個requirements.txt的清單文件,上面列出了需要的依賴庫,按照這個清單安裝就可以了。
在安裝scipy庫的時候,需要fortran編譯器(gfortran),如果沒有這個編譯器就會報錯,因此,我們可以先安裝一下。
首先進入 caffe/python 目錄下,執行安裝代碼:
sudo apt-get install gfortran
for req in $(cat requirements.txt); do sudo pip install $req; done
安裝完成以後執行:
sudo pip install -r requirements.txt
就會看到,安裝成功的,都會顯示Requirement already satisfied, 沒有安裝成功的,會繼續安裝。
然後安裝 jupyter :
sudo pip install jupyter
安裝完成後運行 notebook :
jupyter notebook
或
ipython notebook
就會在瀏覽器中打開notebook, 點擊右上角的New-python2, 就可以新建一個網頁一樣的文件,擴展名爲ipynb。在這個網頁上,我們就可以像在命令行下面一樣運行python代碼了。輸入代碼後,按shift+enter運行,更多的快捷鍵,可點擊上方的help-Keyboard shortcuts查看,或者先按esc退出編輯狀態,再按h鍵查看。a