Ubuntu 14.04 for Caffe 环境搭建
2016-08-25 16:51
549 查看
1. Ubuntu访问U盘
在Ubuntu下,如果U盘自动被挂载了,应该在/media/你的用户名/disk2. 使用U盘安装Ubuntu14.04
怎样制作ubuntu安装u盘3. Ubuntu14.04鼠标闪烁问题
Ubuntu14.04及以上操作系统鼠标闪烁问题4. 安装CUDA Toolkit
4.1 下载cuda及安装指南
1)下载官方安装指南,后面的安装按照《NVIDIACUDA INSTALLATION GUIDE FOR LINUX》进行即可。
2)CUDA Toolkit功能如下图所示:
具体包括以下内容:
- CUDA driver
- Tools needed to create, build and run a CUDA application
- Libraries, header files, CUDA samples source code, and other resources
3)下载CUDA Toolkit 7.5 (注:安装CUDA时,将一起安装CUDA
Toolkit和显卡Driver)
4.2 安装前工作
1)CUDA 7.5需要的支持环境如下表所示,后面的检查按此表进行2)确认有支持CUDA的GPU
$ lspci | grep -i nvidia
3)确认Linux系统满足CUDA7.5要求的环境,具体要求见上表
$ uname -m && cat /etc/*release
4)确认gcc版本满足上表要求
$ gcc --version
5)确认系统安装了正确的Kernel Headers和开发包
$ uname -r $ sudo apt-get install linux-headers-$(uname -r)
6)查看GPU使用情况
$ nvidia-smi
4.3 安装
1)选择安装方法- Distribution-specific packages (官方建议)
它与本地包管理系统接口
- Distribution-independent package (本文采用,下载deb包)
其优点是可以安装在大部分Linux系统上,但不更新本地包管理系统
2)如果以前安装过别的版本的CUDA Toolkit,在新安装之前,把它卸载掉
$ sudo apt-get --purge remove <package_name> # Ubuntu uninstall RPM/Deb installation
3)Install repository meta-data
$ sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb
4)Update the Apt repository cache
$sudo apt-get update
5)Install CUDA
$sudo apt-get install cuda
4.4 安装后工作
4.4.1 必做操作
1)设置环境变量(在~/.bashrc中添加如下内容)$ export PATH=/usr/local/cuda-7.5/bin:$PATH $ export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH
设置完成之后,就可以运行nvcc了,因为它位置/usr/local/cuda-7.5/bin目录下
或相关路径增加到/etc/environment中,对所有用户有效
PATH="/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games:/usr/local/games:/usr/local/cuda-7.5/bin" LD_LIBRARY_PATH="/usr/local/cuda-7.5/lib64"
4.4.2 推荐操作
这些操作用于验证安装的完整性1)安装例子程序
$ cuda-install-samples-7.5.sh <dir> # dir with write permissions
2)确认Driver版本
$cat /proc/driver/nvidia/version
3)编译例子程序
- nvcc -V #可以验证CUDA Toolkit是否已经安装好
- nvcc用于编译CUDA程序,它调用gcc编译器编译C代码,调用NVIDIA PTX编译器编译CUDA代码
- 进 入NVIDIA_CUDA-7.5_Samples目录,然后执行make,即可编译例子程序,生成的文件位于NVIDIA_CUDA-7.5_Samples/bin目录下
4)运行例子程序
$./deviceQuery
5. 安装常用工具包
5.1 安装ssh server
$sudo apt-get install openssh-server
$sudo ps -e | grep -i sshd # check ssh service startup $sudo service ssh start # startup ssh service
5.2 安装配置Samba
1)安装Samba$sudo apt-get install samba samba-common2)配置Samba
参考:ubuntu14.04如何搭建samba服务器登录home目录
在root账户下执行:gedit /etc/samba/smb.conf,按下图修改:
3)重启服务
#service smbd restart #service nmbd restart4)为已有账户增加密码(如:用记名为steve)
#smbpasswd -a steve (设密码为123456)
5)Windows可通过以下方式进行访问
路径:\\ip\steve
用户名:steve
密码:123456
6)若访问时出现错误“指定的网络名不再可用”
- 查看/var/log/samba/log.{计算机名} - 计算机名是你的windows主机名称
- 若错误中含有“../source3/lib/popt_common.c:68(popt_s3_talloc_log_fn)”
- 重新安装以下包,原来的包版本不兼容
$apt-get install --reinstall libsmbclient libsmbclient-dev libtevent0 libtalloc2
5.3 Ubuntu下面安装gmake
gmake就是GNU make,在Ubuntu环境下,执行如下命令即可$sudo ln -s /usr/bin/make /usr/bin/gmake
5.4 配置TBB
TBB: Intel Threading Building Blocks1)下载源码包:https://www.threadingbuildingblocks.org/download
比如我下载的包名为:tbb44_20160526oss_src_0.tgz
2)把tbb44_20160526oss_src_0.tgz 拷贝到/opt/tbb目录下
其它的参考:Linux环境下配置Google Test、TBB、OpenMP和OpenCV
#cd /opt/tbb #tar zxvf tbb44_20160526oss_src_0.tgz #cd tbb44_20160526oss #make
上面的操作之所以放在/opt下面,是因为想把TBB装在/opt/tbb目录下,然后用环境变量的方式让编译器找到这个位置,这是TBB推荐的做法。以上这些步骤完成之后,会在tbb44_20160526oss目录下产生build目录,里面是编译出来的结果,然后:
#cd build看到里面有两个目录:linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_debug和linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_release,分别是debug和release版本。如何让编译器找到这个位置呢?推荐的做法是在~/.bashrc中添加这么几行:
如果使用release版本:
source /opt/tbb/tbb44_20160526oss/build/linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_release/tbbvars.sh export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib
如果使用debug版本:
source /opt/tbb/tbb44_20160526oss/build/linux_intel64_gcc_cc4.8_libc2.19_kernel4.2.0_debug/tbbvars.sh export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/lib关键在于tbbvars.sh,里面其实就是设置环境变量的过程,包括CPATH、LIBRARY_PATH和LD_LIBRARY_PATH,但是这个脚本直接将这三个环境变量设置为tbb的编译目录,而不是添加到当前的环境变量之后,所以需要注意一下。
5.5 安装Python接口
安装Python接口5.6 安装OpenCV
参见“Ubuntu14.04安装配置Opencv3.0和Python2.7”
6. 安装cuDNN
cuDNN:CUDA® Deep Neural Network library (cuDNN)注意:cuDNN
V3.0与V5.0的接口是不兼容的,若需运行别人的代码,需要先看看代码需要哪个版本的cuDNN,然后根据GPU和CUDA的环境进行选择哪个cuDNN。
cuDNN是一个使用GPU对深度神经网络进行加速的原语库,它为一些标准例程(如:forward, backward, convolution, pooling, normalization and activation layers)提供了高度优化的实现,它是NVIDIA
Deep Learning SDK的一部分。
1)下载cuDNN
2)安装cuDNN
把下载好的cudnn-7.5-linux-x64-v5.0-ga.tgz 拷贝到/opt/cudnn目录下
$sudo tar zxvf cudnn-7.5-linux-x64-v5.0-ga.tgz $cd /opt/cudnn/cuda/include $sudo cp * /usr/local/cuda/include $cd /opt/cudnn/cuda/lib64 $sudo cp * /usr/local/cuda/lib64
7. 安装Caffe编译环境
7.1 安装依赖包
$sudo apt-get install libatlas-base-dev $sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libboost-all-dev libhdf5-serial-dev $sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev protobuf-compiler $sudo apt-get install python-dev python-numpy python-scipy python-matplotlib
7.2 安装Caffe
$git clone https://github.com/BVLC/caffe.git $cd caffe $cp Makefile.config.example Makefile.config
7.3 编译Caffe
$make all $make pycaffe
7.4 测试Caffe
$make test $make runtest
7.5 跑一下mnist
$cd caffe $sh data/mnist/get_mnist.sh $sh examples/mnist/create_mnist.sh $vi examples/mnist/lenet_solver.prototxt # 如果没有GPU,修改solver_mode为 CPU $./examples/mnist/train_lenet.sh
相关文章推荐
- iOS中JavaScript和OC交互
- 常用的 js 代码梳理
- HTML DOM 教程
- 项目实战:JSON数据封装与解析及常见问题(文末小彩蛋)
- 用纯CSS实现禁止鼠标点击事件示例代码
- Javascript 香港身份证号校验
- 下拉菜单制作
- 整理下之前的js代码 moogens.js 记录下
- 学习资料,收藏的博客学习网址,前端入门,安卓高级等等
- js alert() 弹出框 乱码
- JS面向对象之原型
- gson使用小结
- 坑爹的HTML5应用集锦
- css性能优化总结,工作中习惯css规范
- jQuery 利用$.ajax 时获取原生XMLHttpRequest 对象的方法
- 自己写的js的table公共组件使用文档
- javascript 作用域
- CSS 设置背景图只显示一部分
- jQuery-懒加载技术(简称lazyload)
- 轻松掌握JavaScript策略模式