如何在Ubuntu 14.04 x64上安装Theano，并配置它以便它使用GPU？

时间：2015-11-16 19:44:43

标签： ubuntu theano

我尝试按照Easy Installation of an Optimized Theano on Current Ubuntu上的说明操作但不起作用：每当我使用GPU运行Theano脚本时，它都会显示错误消息：

  

已安装CUDA，但设备gpu不可用（错误：无法获取可用的gpus数量：未检测到支持CUDA的设备）

更具体地说，按照链接网页中的说明，我执行了以下步骤：

# Install Theano
sudo apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev git
sudo pip install Theano

# Install Nvidia drivers and CUDA
sudo apt-get install nvidia-current
sudo apt-get install nvidia-cuda-toolkit

然后我重新启动并尝试运行：

THEANO_FLAGS=mode=FAST_RUN,device=gpu,floatX=float32 python gpu_test.py # gpu_test.py comes from http://deeplearning.net/software/theano/tutorial/using_gpu.html

但我明白了：

f@f-Aurora-R4:~$ THEANO_FLAGS=’mode=FAST_RUN,device=gpu,floatX=float32,cuda.root=/usr/lib/nvidia-cuda-toolkit’ python gpu_test.py WARNING (theano.sandbox.cuda): CUDA is installed, but device gpu is not available (error: Unable to get the number of gpus available: no CUDA-capable device is detected) [Elemwise{exp,no_inplace}(<TensorType(float32, vector)>)] Looping 1000 times took 2.199992 seconds Result is [ 1.23178029 1.61879337 1.52278066 ..., 2.20771813 2.29967761 1.62323284] Used the cpu

1 个答案:

答案 0 :(得分：6)

（我在Ubuntu 14.04.4 LTS x64和Kubuntu 14.04.4 LTS x64上测试了以下内容，我想它应该适用于大多数Ubuntu变种）

安装Theano并配置GPU（CUDA）

官方网站上的说明已过时。相反，您可以使用以下说明（假设新安装的Kubuntu 14.04 LTS x64）：

# Install Theano
sudo apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev git
sudo pip install Theano

# Install Nvidia drivers, CUDA and CUDA toolkit, following some instructions from http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
wget http://developer.download.nvidia.com/compute/cuda/7.5/Prod/local_installers/cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb # Got the link at https://developer.nvidia.com/cuda-downloads
sudo dpkg -i cuda-repo-ubuntu1404-7-5-local_7.5-18_amd64.deb
sudo apt-get update
sudo apt-get install cuda

sudo reboot

此时，运行nvidia-smi应该有效，但正在运行nvcc无法正常工作。

# Execute in console, or (add in ~/.bash_profile then run "source ~/.bash_profile"):
export PATH=/usr/local/cuda-7.5/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

此时，nvidia-smi和nvcc都应该有效。

测试Theano是否能够使用GPU：

将以下内容复制粘贴到gpu_test.py：

中 
# Start gpu_test.py
# From http://deeplearning.net/software/theano/tutorial/using_gpu.html#using-gpu
from theano import function, config, shared, sandbox
import theano.tensor as T
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([], T.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in xrange(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, T.Elemwise) for x in f.maker.fgraph.toposort()]):
    print('Used the cpu')
else:
    print('Used the gpu')
# End gpu_test.py

并运行它：

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32' python gpu_test.py

应返回：

f@f-Aurora-R4:~$ THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32' python gpu_test.py
Using gpu device 0: GeForce GTX 690
[GpuElemwise{exp,no_inplace}(<CudaNdarrayType(float32, vector)>), HostFromGpu(GpuElemwise{exp,no_inplace}.0)]
Looping 1000 times took 0.658292 seconds
Result is [ 1.23178029  1.61879349  1.52278066 ...,  2.20771813  2.29967761
  1.62323296]
Used the gpu

了解您的CUDA版本：

​nvcc -V

示例：

username@server:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2015 NVIDIA Corporation
Built on Tue_Aug_11_14:27:32_CDT_2015
Cuda compilation tools, release 7.5, V7.5.17

添加cuDNN

添加cuDNN（来自http://deeplearning.net/software/theano/library/sandbox/cuda/dnn.html的说明）：

  1. 从https://developer.nvidia.com/rdp/cudnn-download下载cuDNN（需要注册，免费）
  2. tar -xvf cudnn-7.0-linux-x64-v3.0-prod.tgz
  3. 执行以下任一操作

    4. 选项1：将*.h个文件复制到CUDA_ROOT/include，将*.so*个文件复制到CUDA_ROOT/lib64（默认情况下，CUDA_ROOT为/usr/local/cuda的Linux）。

    sudo cp cuda/lib64/* /usr/local/cuda/lib64/
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/

    选项2：

    export LD_LIBRARY_PATH=/home/user/path_to_CUDNN_folder/lib64:$LD_LIBRARY_PATH
export CPATH=/home/user/path_to_CUDNN_folder/include:$CPATH
export LIBRARY_PATH=/home/user/path_to_CUDNN_folder/lib64:$LD_LIBRARY_PATH

    默认情况下，Theano会检测它是否可以使用cuDNN。如果是这样，它将使用它。如果没有，Theano优化将不会引入cuDNN操作。如果用户没有手动引入它们，Theano仍然可以工作。

    如果Theano无法使用cuDNN，请收到错误，请使用此Theano标记：optimizer_including=cudnn。

    示例：

    THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,optimizer_including=cudnn' python gpu_test.py

    了解您的cuDNN版本：

    cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

    添加CNMeM

    CNMeM library是一个简单的库，可以帮助深度学习框架管理CUDA内存。＆＃34;。 

    # Build CNMeM without the unit tests
git clone https://github.com/NVIDIA/cnmem.git cnmem
cd cnmem
mkdir build
cd build
sudo apt-get install -y cmake
cmake ..
make

# Copy files to proper location
sudo cp ../include/cnmem.h /usr/local/cuda/include
sudo cp *.so /usr/local/cuda/lib64/
cd ../..

    要与Theano一起使用，您需要添加lib.cnmem标志。例如：

    THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,lib.cnmem=0.8,optimizer_including=cudnn' python gpu_test.py

    脚本的第一个输出应为：

    Using gpu device 0: GeForce GTX TITAN X (CNMeM is enabled with initial size: 80.0% of memory, cuDNN 5005)

    lib.cnmem=0.8意味着它可以使用高达80％的GPU。

    据报道，CNMeM提供了一些有趣的速度提升，并得到了Theano，Torch和Caffee的支持。

    Theano - source 1：

      

    加速取决于许多因素，如形状和模型本身。速度从0加快到2倍。

    Theano - source 2：

      

    如果你不改变Theano标志allow_gc，你可以期望GPU加速20％。在某些情况下（小型号），我们看到了50％的加速。

    在多个CPU核心上运行Theano

    作为旁注，您可以使用OMP_NUM_THREADS=[number_of_cpu_cores] flag在多个CPU核心上运行Theano。例如：

    OMP_NUM_THREADS=4 python gpu_test.py

    脚本theano/misc/check_blas.py输出有关使用哪个BLAS的信息：

    cd [theano_git_directory]
OMP_NUM_THREADS=4 python theano/misc/check_blas.py

    运行Theano的测试套件：

    nosetests theano

    或

    sudo pip install nose-parameterized
import theano
theano.test()

    常见问题：

相关问题
最新问题