先讲解windows下深度学习环境的搭建
步骤一 安装Anaconda
Anaconda是一个用于科学计算的python发行版,支持linux,mac,windows系统,提供了包管理和环境管理的功能,Anaconda是一个打包的集合,里面装好了conda,某个版本的python,众多的packages等,科学计算工具等
下载中科大镜像:http://mirrors.ustc.edu.cn/
从archive路径下载Anaconda3-5.0.0-Windows-x86_64.exe
我的安装路径为 D:\Program Files (x86)\Anaconda,注意这里我选择的是3-5.0.0版本。
步骤二 安装minGw,libpython
进入Anaconda Prompt命令窗口,输入命令
conda install mingw libpython
中间会要你选择Proceed([y]/n)? 输入y
此处安装如果比较慢或者有问题可以参考:手把手教你搭建深度学习平台——避坑安装theano+CUDA https://www.cnblogs.com/hdu-zsk/p/5950924.html
配置环境变量 计算机->属性->高级系统设置->环境变量
编辑系统变量‘path’,追加D:\Program Files (x86)\Anaconda\MinGW\x86_64-w64-mingw32\lib;D:\Program Files (x86)\Anaconda\MinGW\bin;
步骤三 安装theano
进入Anaconda Prompt命令窗口,输入命令(注意这时候我们安装的是CPU版本的theano,由于我们还没有安装CUDA):
conda install theano
如果安装失败,我们先卸载,然后在尝试重新安装
conda uninstall theano
conda install theano
新建环境变量‘PYTHONPATH’:添加值D:\Program Files (x86)\Anaconda\Lib\site-packages\theano;(这个路径添加了运行可能出错,亲测)
步骤四 PTVS安装以及VS环境变量设置
安装完成之后,我们需要为VS安装PTVS。适用于Visual Studio的Python工具(PTVS)是Visual Studio的开源插件,支持使用Python语言进行编程。
具体安装我们可以参考:在 Windows 上的 Visual Studio 中安装 Python 支持
由于我在之前安装了Anconda,自带的是python3.6.2,而且我安装的visual studio2013,这里就有个问题
由于vs2013不支持python3.6因此,我需要重新安装python版本,这里我选择安装python3.4。如果你是vs2015之后的版本,你可以跳过这里。
我们可以参考文章:如何将Anaconda更新到想要的python版本
这里到这里我们可以重新卸载Anaconda重新安装一个带有python3.5的版本(比如Anaconda3-4.0.0,我建议重装)。或者使用conda命令在线更新。重新安装比较简单,我就介绍一下使用conda命令更新。
打开Anaconda Prompt,然后用conda命令更新到python3.4.
#创建一个名为python34的环境,指定Python版本是3.4(不用管是3.4.x,conda会为我们自动寻找3.4.x中的最新版本)
conda create --name python34 python=3.4
activate python34 --激活3.4版本,使用这个
#此时次输入
python --version
#可以得到`Python 3.4.5 即系统已经切换到了3.4的环境
#如果想返回默认的python 3.6.2环境,运行
deactivate python34
#删除一个已有的环境
conda remove --name python34 --all
等待python3.4安装成功。这里我需要重新执行步骤2 安装minGw,libpython,和步骤三安装theano。
然后我需要去下载PTVS插件并安装:Visual Studio 2013 PTVS 2.2
如果你是VS2015或者以后的版本,具体安装以及VS环境变量的配置比较简单你可以参考:在 Windows 上的 Visual Studio 中安装 Python 支持
然后需要手标识现有环境,打开vs2013.新建一个python项目,并对该项目如下操作:
然后选择python 3.5.
步骤五 配置路径文件
找到路径C:\Users\你的用户名,在下面创建文件.theanorc.txt
此处我在C:\Users\Administrator路径下创建了.theanorc.txt文件
编辑文件输入内容
[global] openmp=False [blas] Idflags= [nvcc] fastmath=True flags =-LD:\Program Files (x86)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags=-ID:\Program Files (x86)\Anaconda\MinGW
注意标红的路径是根据你自己的MinGW来设置的,不需要和我的一样,上面的:
compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin
如果你的电脑是装vs2012,那么就把10.0改为11.0。这个也就是你安装的vs所在的目录。
出现这种错误 ,或者我们在命令窗口执行spyder也出现如下问题:
我们可以看到这个问题,就是在我们import theano那个问题,我们可以参考文章:
python安装配置Theano ImportError:cannot import name 'configparser'
我们清除安装theano时的路径配置,即:新建环境变量‘PYTHONPATH’:添加值D:\Program Files (x86)\Anaconda\Lib\site-packages\theano;然后重新尝试运行
如果import theano出现pygpu相关的错误,可以尝试运行(如果你已经安装了CUDU可能会出现这种问题):
conda install pygpu
打开spyder进行测试,如果还有spyder闪退的问题,可以尝试重新安装:
conda uninstall spyder #先卸载
conda install spyder #在安装
如果还是不行,你可以到网上搜索其他解决方案,或者重新换个版本的Anaconda安装。
import numpy as np import time import theano A = np.random.rand(1000,10000).astype(theano.config.floatX) B = np.random.rand(10000,1000).astype(theano.config.floatX) np_start = time.time() AB = A.dot(B) np_end = time.time() X,Y = theano.tensor.matrices('XY') mf = theano.function([X,Y],X.dot(Y)) t_start = time.time() tAB = mf(A,B) t_end = time.time() print("NP time: %f[s], theano time: %f[s] (times should be close when run on CPU!)" %( np_end-np_start, t_end-t_start)) print ("Result difference: %f" % (np.abs(AB-tAB).max(), ))
测试结果如下:
如果上面的np time 和theano time 差不多,那就代表你上面的配置没有问题了,这个有的时候电脑还有其他的任务,也有可能导致运行的时间不一致。
步骤七 安装cuda
关于theano以及cuda的安装参考教程
深度学习(二)theano环境搭建
windows下theano开发环境搭建(实现了GPU加速)
先检查自己的显卡支持什么版本的CUDA
(1)首先打开控制面板,在控制面板进行搜索。
(2)然后,双击NVIDIA控制面板,打开如下的控制面板,点击帮助
点击系统信息,我们会看到
(3)选择组件,然后会看到红色框的内容,箭头所指的CUDA版本,就是你电脑支持的CUDA版本。
然后我们去官网下载我们显卡支持的CUDA版本
程序下载完后后,双击安装:
到这一步,问题出现了,告诉我说图形驱动与显卡不兼容,如果继续安装,即使安装成功了,也不能使用cuda。因此我去下载一个比较新的CUDA,我下载了CUDA9.0
选择自定义安装,然后把所有包的都勾选上,省的后面出现什么错误。这一步有可能会遇到驱动冲突,导致某些包安装失败
如果某些包安装失败,后面使用theano的时候,会跳出错误。如果图形驱动安装失败,运行theano的时候就出现错误,提示为cuda版本与驱动版本不一致。因此如果你安装cuda的过程中,有出现安装失败的,那么请你接着往下看。安装失败一般是驱动冲突的问题,这个时候我的方法是用驱动精灵卸载掉显卡驱动,然后在进行安装。
安装完后测试一下是否安装正确。在命令窗口输入:
nvcc -V
回车查看是否有版本信息。若出现版本信息,则证明nvcc安装成功,如下图所示:
接着我们运行一个cuda自带的测试例子。
由于我的电脑安装了VS2013(这个自己下载安装),所以在这里打开Samples_vs2013.sln项目,这个例子目录为:C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0(在安装完我们勾选launch samples会自动打开这个文件夹) 。编译运行得到如下结果,表示安装成功:
然后我们需要重新配置.theanorc.txt文件
[blas] ldflags= [global] device = gpu floatX = float32
[cuda]
root = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0 [nvcc] fastmath=True flags =-LD:\Program Files (x86)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags = -ID:\Program Files (x86)\Anaconda\MinGW
这样就完成了theano的GPU配置了。
步骤八 完整测试
from theano import function, config, shared, tensor import numpy import time vlen = 10 * 30 * 768 # 10 x #cores x # threads per core iters = 1000 rng = numpy.random.RandomState(22) x = shared(numpy.asarray(rng.rand(vlen), config.floatX)) f = function([], tensor.exp(x)) print(f.maker.fgraph.toposort()) t0 = time.time() for i in range(iters): r = f() t1 = time.time() print("Looping %d times took %f seconds" % (iters, t1 - t0)) print("Result is %s" % (r,)) if numpy.any([isinstance(x.op, tensor.Elemwise) and ('Gpu' not in type(x.op).__name__) for x in f.maker.fgraph.toposort()]): print('Used the cpu') else: print('Used the gpu')
(1)如果执行import theano出现
(2)如果运行出现下面错误:
我们可以配置.thranorc.txt文件,忽略cuDNN
[dnn]
enabled = False
(3)如果出现CVM未定义的错误,按照下面方法移除该文件夹是可以起作用的(亲测)。
如果这些方法都不能解决这些错误,我只能推荐你看一下这篇文章,希望能够对你有帮助
运行结果如下:
(1)GPU测试
下面是用GPU加速的运行结果:
如上运行结果可知,用gpu进行计算时间差不多是0.68秒左右。如果想切换成只用gpu的测试的话,我是通过更改文件:.theanorc.txt的内容。那么.theanorc.txt的内容为:
[blas] ldflags=
[global]
device = cuda
floatX = float32
optimizer = None
[dnn]
enabled = False
[cuda]
root = C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
[nvcc] fastmath=True flags =-LD:\Program Files (x86)\Anaconda\libs compiler_bindir=C:\Program Files (x86)\Microsoft Visual Studio 12.0\VC\bin [gcc] cxxflags = -ID:\Program Files (x86)\Anaconda\MinGW
(2)CPU测试。
如果想关闭gpu,进行cpu测试那么就把.theanorc.txt内容改为:
[blas] ldflags= [gcc] cxxflags = -ID:\Program Files (x86)\Anaconda\MinGW
重启电脑或者重启spyder内核。下面是测试结果图:
测试了结果,只用cpu花了14秒的时间,也就是说对于我的电脑,使用gpu进行加速,这速度提高了近20倍。
步骤九 安装tensorflow
在命令窗口下运行
conda install tensorflow
在linux环境下安装如下
步骤一 安装Anaconda
Anaconda是一个用于科学计算的python发行版,支持linux,mac,windows系统,提供了包管理和环境管理的功能,Anaconda是一个打包的集合,里面装好了conda,某个版本的python,众多的packages等,科学计算工具等
下载中科大镜像:http://mirrors.ustc.edu.cn/
从archive路径下载Anaconda3-5.0.1-linux-86_64.sh
在home文件夹下创建一个文件夹,命名为Anaconda,把下载好的程序复制到这里,然后右键在终端打开,输入:
bash Anaconda3-5.0.1-Linux-x86_64.sh
然后按下enter键继续安装,一直按enter键,直至:
然后按下yesy继续安装,后面选择安装路径,我是安装在当前文件夹下的program文件夹下:
执行到这里说明已经安装成功
步骤二 安装cuda
1.首先确保自己的操作系统是最新的,打开终端运行以下命令
sudo apt-get update sudo apt-get upgrade sudo apt-get install build-essential sudo apt-get autoremove
然后安装git,在终端输入
sudo apt-get install git
2.首先检验自己的电脑是否支持CUDA,然后安装NVIDIA驱动
首先查看显卡型号,在终端输入
lspci | grep -i nvidia
执行结果如下
到Nvidia官网查找你显卡对应的最新驱动和系统设置。你可以从此网站上下载并安装驱动,但这样做会升级到更新的驱动,并且卸载的时候会有些麻烦。此外,这么做需要你退出X服务会话,从终端进行安装,这比较麻烦。
我们将使用apt-get来安装驱动。到 “Proprietary GPU Drivers” PPA中查看是否有你最新的驱动。注意,最新的驱动一定是最稳定的。你也可以安装网页上推荐的驱动版本。添加”Proprietary GPU Drivers” PPA 资源库。在写这篇文章的时候,最新版本是396.18,然而推荐版本是390.48:
在终端输入
sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-390
重新启动系统
sudo shutdown -r now
检查以确保安装了正确版本的NVIDIA驱动
cat /proc/driver/nvidia/version
也可以重启后输入如下命令
nvidia-smi
如果显示GPU信息,则表明驱动程序安装成功。 也可以通过nvidia-settings查看GPU的信息。
若安装失败,卸载未安装成功的显卡驱动,再重新安装
sudo apt-get remove --purge nvidia-* #卸载显卡驱动
3.CUDA安装
首先去cuda官网下载cuda工具包。
操作系统选择Linux,处理器架构选择x86_64,发布版选择Ubuntu,版本选择16.04,安装类型选择deb(local)。然后下载第一个:
然后切换到cuda工具包的安装目录下,执行如下命令(cuda的安装路径全部使用默认路径):
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb sudo apt-get update sudo apt-get install cuda
等待cuda安装结束。如果安装过程中遇到内存不足的问题,执行如下命令
df -h
我们会看到根目录/下内存不足,这主要是因为在安装系统的时候我给根目录只分配了10G,
当使用Linux系统的时候,发现根目录(/)的空间不是很充足,而其他目录空间有很大的空闲,我们需要针对现在已有的空间进行调整。
具体也可以参考文章:Linux下调整根目录的空间大小
为了避免你在安装时候,也出现这种问题,建议安装时给/目录分配80G以上的空间。
安装结束之后(有一个/usr/local/cuda的目录链接到/usr/local/cuda-8.0,后面配置环境变量时可直接使用/usr/local/cuda目录),配置环境变量: 可以配置系统级别的环境变量,也可以配置用户级别的环境变量。
配置系统级别的环境变量,请使用如下命令:
sudo vi /etc/profile
配置用户级别的环境变量,请使用如下命令:
vi ~/.bashrc
打开文件后,在文件的结尾部分添加如下文本行:
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cude/lib64:$LD_LIBRARY_PATH
如果是配置用户级别的环境变量,也可以直接运行如下命令:
echo 'export PATH=/usr/local/cuda/bin:$PATH' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc source ~/.bashrc
检查以确保安装了正确版本的CUDA
nvcc -V
重启系统
sudo shutdown -r now
4.检查CUDA安装(可选)
在CUDA安装目录安装样例。编译它们(需要几分钟):
/usr/local/cuda/bin/cuda-install-samples-8.0.sh ~/cuda-samples cd ~/cuda-samples/NVIDIA*Samples make -j $(($(nproc) + 1))
注意:(-j (((((nproc) + 1)))命令使用你机器上的核心数并行执行,所以编译会更快
- 运行deviceQuery,确保它能检测到显卡并测试通过
bin/x86_64/linux/release/deviceQuery
5.cuDNN安装
cuDNN是为DNN设计的CPU加速库。它能在多种情况下帮助提升执行速度。为了下载cuDNN库,你需要到Nvidia网站https://developer.nvidia.com/cudnn上进行注册。立即就能够批准。一旦注册批准,下载Linux版本的cuDNN v7。
点开下图中的cuDNN v7.1.2(Mar21.1018) for CUDA 8.0,然后选择第一个下载。
以下命令请在cuDNN文件所在目录执行。
tar -zxvf cudnn-8.0-linux-x64-v7.1.tgz sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
以上命令就将cuDNN的头文件、静态库和动态库都放入了cuda目录下。
最后,执行如下命令,以防在编译Tensorflow或者其他开源深度学习框架时找不到动态库。
sudo ldconfig /usr/local/cuda/lib64
注:ldconfig命令的用途是在目录/lib和/usr/lib以及动态库配置文件/etc/ld.so.conf内所列的目录中,搜索出可共享的动态链接库(格式如lib*.so*),进而创建出动态装入程序(ld.so)所需的连接和缓存文件。
5.theano安装
打开终端输入:
conda install theano
6.配置.theanorc.txt文件
sudo gedit ~/.theanorc
[global] floatX=float32 device=cuda [cuda] root=/usr/local/cuda-8.0 [nvcc] flags=-D_FORCE_INLINES fastmath=True
7.测试安装
from theano import function, config, shared, tensor import numpy import time vlen = 10 * 30 * 768 # 10 x #cores x # threads per core iters = 1000 rng = numpy.random.RandomState(22) x = shared(numpy.asarray(rng.rand(vlen), config.floatX)) f = function([], tensor.exp(x)) print(f.maker.fgraph.toposort()) t0 = time.time() for i in range(iters): r = f() t1 = time.time() print("Looping %d times took %f seconds" % (iters, t1 - t0)) print("Result is %s" % (r,)) if numpy.any([isinstance(x.op, tensor.Elemwise) and ('Gpu' not in type(x.op).__name__) for x in f.maker.fgraph.toposort()]): print('Used the cpu') else: print('Used the gpu')
在cpu或者是在gpu上运行可以通过修改.theanorc文件中为device = cpu或者device = cuda来决定。每次修改之后,只有重启spyder内核或者重启电脑才会生效。
步骤八 安装tensorflow
在终端下运行
conda install tensorflow