在 Ubuntu 14.04 上安装 Theano 并配置 GPU
你可以使用以下说明安装 Theano 并配置 GPU(假设新安装的 Ubuntu 14.04):
# 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
应该可以工作,但运行 nvcc
将无法正常工作。
# 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
那时,nvidia-smi
和 nvcc
都应该工作。
要测试 Theano 是否能够使用 GPU:
在 gpu_test.py
中复制粘贴以下内容:
# 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
哪个应该返回:
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
要了解你的 CUDA 版本:
nvcc -V
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
要添加 cuDNN(来自 http://deeplearning.net/software/theano/library/sandbox/cuda/dnn.html 的说明 ) :
- 从 https://developer.nvidia.com/rdp/cudnn-download 下载 cuDNN (需要注册,免费)
tar -xvf cudnn-7.0-linux-x64-v3.0-prod.tgz
- 执行以下操作之一
选项 1:将*.h
文件复制到 CUDA_ROOT/include
,将*.so*
文件复制到 CUDA_ROOT/lib64
(默认情况下,CUDA_ROOT
是 Linux 上的/usr/local/cuda
)。
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 将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。因此,如果用户没有手动引入它们,Theano 仍然可以工作。
要在 Theano 无法使用 cuDNN 时出现错误,请使用此 Theano 标志:optimizer_including=cudnn
。
例:
THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,optimizer_including=cudnn' python gpu_test.py
要了解你的 cuDNN 版本:
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
添加 CNMeM
该 CNMeM 库是一个“简单的库,以帮助深学习框架管理 CUDA 记忆。”
# 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,你需要添加 lib.cnmem
标志。例:
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该是:
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改进,并得到了 Theano,Torch 和 Caffee 的支持。
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。
如果你不改变 Theano 标志 allow_gc,你可以期望在 GPU 上加速 20%。在某些情况下(小型号),我们看到了 50%的加速。
常见问题: