Ubuntu 14.04安装Nvidia CUDA7.5并搭建Python Theano深度学习开发环境

引言

最近几天一直尝试搭建Theano深度学习开发环境，并安装英伟达CUDA Toolkit。这期间，有想过在Windows上搭建的，但是从网上了解后，发现还是在Linux环境下更加合适。在搭建这个开发环境的过程中，其实入了不少坑，有点曲折。本不打算写搭建过程的，因为网上确实有不少不错的安装步骤，以及官网也有安装教程。But，鉴于被坑了好几天，还是记录一下，长长记性 🙂
期间安装Ubuntu 14.04超过4次（原因：有些软件依赖问题无法解决，更换软件源貌似也不可以。不过今天把软件源换成主服务器后，就正常了，但是我的无线网速度比较慢，所以使用主服务器后，下载速度明显要慢了不少。）。
尝试安装Fedora操作系统1次，因为也想过在这个系统上搭建环境的，因为Ubuntu 14.04上面的部分依赖总是搞不定。但是因为网卡驱动的问题，始终无法联网；无法联网，自然就没法安装编译器，没有编译器，没法安装网卡驱动（因为需要编译驱动），最后放弃了这个平台。
尝试安装CentOS操作系统1次，其实根本没有安装成功，原因是我的独立显卡驱动问题，导致安装程序的图形界面上的所有文字都是模糊的，甚至连“退出安装”按钮文字我都识别不出来，最后放弃了。

台式机主要参数

• 内存：金士顿8G
• 处理器：Intel Core i5-4590 CPU @ 3.3GHz x 4
• 显卡： 英伟达Geforce GTX 750 （GPU并行运算）
• 硬盘： 西部数据 1TB

安装Ubuntu 14.04操作系统

• 制作Ubuntu启动盘（使用软碟通写入到U盘上）；
• 台式机启动时，选择快捷启动，从U盘启动Ubuntu live cd系统；
• 安装Ubuntu 14.04操作系统；
• 安装完毕后重新启动系统；
• 启动系统，在进入Grub界面时，按e键，进入编辑页面，在倒数第二行中，ro quiet splash后面添加nomodeset，这样进入系统后不会因为独显驱动问题而导致黑屏了；
• 在进入系统后，编辑文件/boot/grub/grub.cfg文件，搜索ro quiet splash关键词，同样追加nomodeset，这样不用每次启动系统前重复上述步骤了。

安装Theano环境
需要预先安装的工具

这些工具在后面可能会使用到，如编译器等。

sudo apt-get install -y Python-dev python-pip python-nose gcc g++ git gfortran

安装BLAS, LAPACK, ATLAS

这些软件包必须在安装Numpy和Scipy之前安装

sudo apt-get install -y libopenblas-dev liblapack-dev libatlas-base-dev

安装NumPy

在官方教程中使用了apt-get方式安装的，但是貌似我确实在安装后没有通过单元测试，有不少错误产生。尤其是后面安装的SciPy更是如此。可能和我之前没有把需要的工具包安装齐全有关系吧。

# 安装NumPy，这个安装过程需要等待会，因为需要编译，所以得花一点时间。
# 实际上后面安装的SciPy和Theano都会花时间编译的，整个安装过程还是要挺久的。
sudo pip install numpy

# 进行测试。
python -c 'import numpy; numpy.test()'

必须要保证上面的测试通过，然后再继续下一步，确保每一步都是正确的。没有Errors则通过测试。测试结果如下。

安装SciPy

# 安装方法，耐心等待编译吧:)
sudo pip install scipy

# 进行测试
python -c 'import scipy; scipy.test()'

必须保证scipy也正常通过测试，这样才可以继续安装下面的Theano。测试结果如下图：

————————————–分割线 ————————————–

Ubuntu下CUDA（含GPU卡驱动）安装过程  http://www.linuxidc.com/Linux/2015-07/120456.htm

Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明  http://www.linuxidc.com/Linux/2015-04/116444.htm

Ubuntu 14.04 安装配置CUDA  http://www.linuxidc.com/Linux/2014-10/107501.htm

Ubuntu 12.04配置NVIDIA CUDA5.5实录  http://www.linuxidc.com/Linux/2014-10/107502.htm

Ubuntu安装Theano+CUDA  http://www.linuxidc.com/Linux/2014-10/107503.htm

关于Ubuntu 12.04 下 CUDA5.5 的安装请参看如下链接 Ubuntu 12.04 安装 CUDA-5.5

————————————–分割线 ————————————–

安装Theano

# 安装方法，还是要耐心等待编译安装的，感觉比较耗时
sudo pip install Theano

# 开始测试
sudo python -c 'import theano; theano.test()'

好吧，我感觉这个步骤中的Theano测试花了好长时间，所以，还是耐心等待吧。最后结果如下。

安装CUDA Toolkit

下载CUDA Toolkit

在安装这个英伟达CUDA Toolkit时，还是遇到了不少问题。以下记录安装过程，详细的说明文档参见英伟达官方提供的Installation Guide for Linux。需要注意的是，该安装文件已经包含了英伟达较新的显卡驱动，所以不用单独安装独显驱动的。

下载CUDA Toolkit

• 进入CUDA Toolkit下载页面

• 选择对应的Ubuntu 14.04操作系统，并且选择下载runfile(1.1G)文件，同时记录对应的MD5值，用于校验下载文档有没有损坏

• 下载GPU Development Kit

• 下载完成后，最后校验一下下载文件与下载页面提供的文件MD5值是否相同，确保下载到的安装包是完好无损的。
  

安装一些需要的库

• 下面都是一些可能需要用到的库，否则在安装CUDA时，可能会提示缺少需要的库文件。

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev  

• 值得注意的是，我在我的Ubuntu系统/usr/lib/x86_64-linux-gnu/目录下找到了名为libGLU.so.1.3.1，所以在尝试建立链接到/usr/lib/目录下后，安装Samples时就正常了。

sudo ln -s /usr/lib/x86_64-linux-gnu/libGLU.so.1.3.1 /usr/lib/libGLU.so

安装CUDA

1. 首先，将X-Window关闭，然后进入字符界面（如tty1）。关闭X-Window方法：sudo service lightdm stop
2. 接下来，在字符界面中，给下载好的cuda_7.5.18_linux.run以及cuda_352_39_gdk_linux.run添加可执行权限
3. 安装Development Kit：sudo ./cuda_352_39_gdk_linux .run
4. 安装CUDA：sudo ./cuda_7.5.18_linux.run，安装过程直接根据提示进行下去即可
5. 重新启动X-Window：sudo service lightdm start

更多详情见请继续阅读下一页的精彩内容： http://www.linuxidc.com/Linux/2015-09/123562p2.htm

环境变量设置

• 在终端中输入下面的命令即可：

echo 'export PATH=/usr/local/cuda-7.5/bin:$PATH' >> ~/.bashrc

echo 'export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH' >> ~/.bashrc

source ~/.bashrc

• 接下来重启系统，然后开始验证安装的结果。

验证

查看NVCC版本

• nvcc -V，输出结果如下：
  

编译并运行例子

• 进入到Samples安装目录，然后在该目录下make，等待十来分钟。

• 编译完成后，可以在Samples里面找到bin/x86_64/linux/release/目录，并切换到该目录

• 运行deviceQuery程序，查看输出结果如下（重点关注最后一行，Pass表示通过测试）：
  

• 运行bandwidthTest程序，查看输出结果如下（同样最后显示结果为PASS）：
  

综合测试

这是最后一个环节了，配置Theano使用GPU并行计算，以验证环境搭建是否成功。

• 首先将下面的测试代码复制到文本中，命名为test.py

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')

• 在用户目录下新建.theanorc配置文件，设置采用GPU替代CPU进行运算：
• 新建配置文件sudo vi ~/.theanorc

• 添加如下内容：

  [global]
  floatX=float32
  device=gpu

• 运行test.py测试文件：
• 首先是默认的使用gpu进行计算，查看运行结果

• 作为对比，使用cpu进行计算，观察与gpu运算结果差别，从下面的截图中可以看出，使用gpu的运算时间明显短很多
  

总结

• 最终还是在Ubuntu 14.04.1系统上将整个开发环境搭建成功了，期间确实走了不少弯路。所以还是要汲取一下教训。
• 理想情况下，按照很多教程那样，可以很顺利的解决安装的问题。但是安装过程中还是遇到不少问题，所以，重要的是学会解决遇到的问题，还有就是耐心地阅读文档。

更多Ubuntu相关信息见Ubuntu 专题页面 http://www.linuxidc.com/topicnews.aspx?tid=2

本文永久更新链接地址：http://www.linuxidc.com/Linux/2015-09/123562.htm