Linux环境下搭建DeepNet深度学习框架
2016-11-27 09:29
627 查看
由于实验室的项目需求,需要使用RBM(受限制玻尔兹曼机)、DBN(深信度网络)等深度学习的网络模型,于是学习和使用了Toronto大学提供的DeepNet深度学习框架。
DeepNet是Toronto大学的Nitish Srivastava博士开发的一款利用Python实现基于GPU的一些深度学习算法的框架,主要包括以下深度学习算法:
1.Feed-forward Neural Nets
2.Restricted Boltzmann Machines
3.Deep Belief Nets
4.Autoencoders
5.Deep Boltzmann Machines
6.Convolutional Neural Nets
该框架的实现需要cudamat和cuda-convnet的支持。
以下将在Linux环境下搭建DeepNet深度学习框架的过程分享给大家。
1.Linux版本是Ubuntu16.04。
2.下载安装Python。
Python使用的是Anaconda2 4.4.1,因为它集成了许多Python关于计算的第三方库,使用起来非常方便,将Anaconda2的环境变量添加到~/.bashrc文件中去。
3.CUDA安装。
我们的GPU是GTX1080,官网上下载CUDA8.0,下载地址:https://developer.nvidia.com/cuda-toolkit,安装好CUDA toolkit和SDK之后,将相关的环境变量添加到~/.bashrc文件中去。
4.Google Protocol Buffers安装。
我们使用的是release版本,地址为https://github.com/google/protobuf/releases,找到相应版本,我们使用的是protoc-3.1.0-linux-x86_64.zip。下载解压后,将bin目录下的protoc放到/usr/local/bin/,将include目录下的google文件夹放到/usr/local/inculde/。然后将相关的环境变量添加好。
5.基本的环境变量已经配置好,现在下载DeepNet,下载地址:https://github.com/nitishsrivastava/deepnet
下载解压后包含三个文件夹:cudamat,deepnet,eigenmat
其中deepnet文件夹中包含了训练、可视化以及基本网络和相应的层等Python代码。
eigenmat文件夹中主要文件是eigenmat.cc,当训练时使用的是CPU时,模型调用eigenmat。
cudamat文件夹中主要文件是cudamat.cu,当训练时使用的是GPU是,模型调用cudamat。
具体内容将在以后的文章中提出。
6.编译cudamat。
7.编译eigenmat。
需要安装eigen,官网下载解压到根目录下,添加相应环境变量,然后再到/eigenmat目录中,make就好了。使用CPU的需要进行此步,因为我们使用的是GPU,没有用到CPU,因此跳过此步。
8.添加DeepNet相应的环境变量。
9.测试DeepNet。
下载MNIST数据集,下载地址:http://www.cs.toronto.edu/~nitish/deepnet/mnist.tar.gz
cd到deepnet/deepnet/examples目录下运行:
DeepNet是Toronto大学的Nitish Srivastava博士开发的一款利用Python实现基于GPU的一些深度学习算法的框架,主要包括以下深度学习算法:
1.Feed-forward Neural Nets
2.Restricted Boltzmann Machines
3.Deep Belief Nets
4.Autoencoders
5.Deep Boltzmann Machines
6.Convolutional Neural Nets
该框架的实现需要cudamat和cuda-convnet的支持。
以下将在Linux环境下搭建DeepNet深度学习框架的过程分享给大家。
1.Linux版本是Ubuntu16.04。
2.下载安装Python。
Python使用的是Anaconda2 4.4.1,因为它集成了许多Python关于计算的第三方库,使用起来非常方便,将Anaconda2的环境变量添加到~/.bashrc文件中去。
cd /home/pb vi ./bashrc在最下行添加
export PATH="/home/pb/anaconda2/bin:$PATH"
3.CUDA安装。
我们的GPU是GTX1080,官网上下载CUDA8.0,下载地址:https://developer.nvidia.com/cuda-toolkit,安装好CUDA toolkit和SDK之后,将相关的环境变量添加到~/.bashrc文件中去。
export CUDA_BIN=/usr/local/cuda-8.0/bin export CUDA_LIB=/usr/local/cuda-8.0/lib64 export PATH=${CUDA_BIN}:$PATH export LD_LIBRARY_PATH=${CUDA_LIB}:$LD_LIBRARY_PATH
4.Google Protocol Buffers安装。
我们使用的是release版本,地址为https://github.com/google/protobuf/releases,找到相应版本,我们使用的是protoc-3.1.0-linux-x86_64.zip。下载解压后,将bin目录下的protoc放到/usr/local/bin/,将include目录下的google文件夹放到/usr/local/inculde/。然后将相关的环境变量添加好。
export PATH="/usr/local/bin:$PATH"测试protocol buffers有没有安装好可以使用以下命令:
protoc -version会出现:
libprotoc 3.1.0
5.基本的环境变量已经配置好,现在下载DeepNet,下载地址:https://github.com/nitishsrivastava/deepnet
下载解压后包含三个文件夹:cudamat,deepnet,eigenmat
其中deepnet文件夹中包含了训练、可视化以及基本网络和相应的层等Python代码。
eigenmat文件夹中主要文件是eigenmat.cc,当训练时使用的是CPU时,模型调用eigenmat。
cudamat文件夹中主要文件是cudamat.cu,当训练时使用的是GPU是,模型调用cudamat。
具体内容将在以后的文章中提出。
6.编译cudamat。
cd cudamat make
7.编译eigenmat。
需要安装eigen,官网下载解压到根目录下,添加相应环境变量,然后再到/eigenmat目录中,make就好了。使用CPU的需要进行此步,因为我们使用的是GPU,没有用到CPU,因此跳过此步。
8.添加DeepNet相应的环境变量。
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$/home/pb/deepnet-master/cudamat export PYTHONPATH=$PYTHONPATH:/home/pb/deepnet-master如果使用CPU,还需要将eigenmat目录添加到环境变量中。
9.测试DeepNet。
下载MNIST数据集,下载地址:http://www.cs.toronto.edu/~nitish/deepnet/mnist.tar.gz
cd到deepnet/deepnet/examples目录下运行:
python setup_examples.py <path to mnist dataset> <output path>这句话主要是配置数据集的路径以及输出路径,然后进入到/deepnet/examples中的任意一个文件夹,如/home/pb/deepnet-master/deepnet/examples/rbm中执行:
./runall.sh这就开始训练RBM模型了。
相关文章推荐
- ubuntu16.0.4环境下搭建DeepNet深度学习框架
- deepin linux 15.5 + 小米笔记本pro 下的深度学习环境tensorflow-gpu 1.4版本搭建过程
- 深度学习框架MXNet之环境搭建
- 在Windows7/10上快速搭建深度学习框架Caffe开发环境
- 深度学习环境搭建:linux下 Ubuntu16.04+cuda8.0+cudnn+anaconda+tensorflow并配置远程访问jupyter notebook
- .net转php laraval框架学习系列(一) 环境搭建
- 如何在Ubuntu下安装Anaconda及搭建环境安装TensorFlow深度学习框架
- 在linux ubuntu下搭建深度学习/机器学习开发环境
- 深度学习开源框架theano的环境搭建
- Win7(64位)+VS2013+cuda7.5环境下搭建深度学习Caffe计算框架
- window环境搭建 tensorflow 框架深度学习开发环境
- 深度学习框架Caffe的环境搭建
- 深度学习环境搭建(一)-win10子系统启用Linux
- 深度学习环境搭建:linux下 Ubuntu16.04+cuda8.0+cudnn+anaconda+tensorflow并配置远程访问jupyter notebook
- Linux系统下深度学习框架Keras的搭建
- DeepNet深度学习框架的使用
- 深度学习框架Caffe学习笔记(1)-Caffe环境搭建
- 一起学习linux之LAMP环境的搭建
- 小布老师视频 使用虚拟机搭建Linux学习环境
- Spring.NET学习笔记2--环境搭建(基础篇)