Welcome 微信登录

首页 / 操作系统 / Linux / Ubuntu 14.04配置cuda-convnet

在这个链接中（http://www.linuxidc.com/Linux/2014-10/107501.htm），我配置了cuda，有强大的GPU，自然不能暴殄天物，让资源白白空闲着，所以配置一下卷积神经网络跑一下程序喽。至于卷积神经网络的原理，容后再写。打算先写库的用法，再写原理，以行动带动对理论的追求。话不多说，步入正题。

1. 预说明

关于cuda-convnet，起源于一篇经典论文①，论文中针对ILSVRC-2010的数据进行实验，然后公布了其实验使用的代码，链接为②。但是，事实往往跟论文是有差距的，链接②中的代码根本不能重现论文中的结果。在下不才，在使用这个链接的库很久之后才发现的，觉得很坑，希望后来者慎之。之所以说它坑，首先，论文中提到特性中，multi-GPU和dropout就没有实现，而且也没有给出论文中8层卷积神经网络的配置文件。总之不能直接拿来用，需要自己探索。虽然如此，但有总比没有好，毕竟这个库实现的卷积神经网络封装的很好，论文中的大神的贡献非我等小菜所能企及的。给大神点32个赞。本文只对cuda-convnet和cuda-convnet2的配置进行说明，论文中的作者还公布了其他版本的库，尚未用到，故且按下不提。 Ubuntu 12.04 下 CUDA 编程 http://www.linuxidc.com/linux/2014-06/103056.htm Ubuntu 12.04 安装 CUDA-5.5  http://www.linuxidc.com/Linux/2013-10/91101.htm Ubuntu 11.10 上安装CUDA开发环境 http://www.linuxidc.com/Linux/2012-04/58913.htm Fedora 15系统下配置CUDA环境 http://www.linuxidc.com/Linux/2011-12/49874.htm Ubuntu 11.04 安装 NVIDIA CUDA 4.0 RC2 http://www.linuxidc.com/Linux/2011-10/46304.htm Linux Mint 13/Ubuntu 12.04 配置CUDA 4.2 & OpenCV 2.4.2 方法 http://www.linuxidc.com/Linux/2013-10/91102.htm CUDA入门教程 http://www.linuxidc.com/Linux/2014-07/104328.htm 

2. Cuda-convnet配置

2.1. 源码下载

参考链接②，先将源码下载下来。
  1. svn checkout http://cuda-convnet.googlecode.com/svn/trunk/ cuda-convnet-read-only 
svn checkout http://cuda-convnet.googlecode.com/svn/trunk/ cuda-convnet-read-only取出的版本是562。

2.2. 安装必要的库

然后，安装必须的库，我使用的是ubuntu系统。所以命令为
  1. sudo apt-get install python-dev python-numpy python-magic python-matplotlib libatlas-base-dev 
sudo apt-get install python-dev python-numpy python-magic python-matplotlib libatlas-base-dev 当然，还要确认你安装了cuda，我安装的是cuda6.5，在/usr/local/目录下，如下所示：
  1. $ ls /usr/local 
  2. bin  cuda  cuda-6.5  etc  games  include  lib  man  sbin  share  src 
$ ls /usr/localbincudacuda-6.5etcgamesincludelibmansbinsharesrc2.3. 更改build.sh进入到刚才下载的cuda-convnet-read-only目录，更改build.sh文件中的配置路径。如下所示：
  1. # CUDA toolkit installation directory. 
  2. export CUDA_INSTALL_PATH=/usr/local/cuda 
  3.    
  4. # CUDA SDK installation directory. 
  5. export CUDA_SDK_PATH=/usr/local/cuda-6.5/samples/common/inc 
  6.    
  7. # Python include directory. This should contain the file Python.h, among others. 
  8. export PYTHON_INCLUDE_PATH=/usr/include/python2.7 
  9.    
  10. # Numpy include directory. This should contain the file arrayobject.h, among others. 
  11. export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy 
  12.    
  13. # ATLAS library directory. This should contain the file libcblas.so, among others. 
  14. export ATLAS_LIB_PATH=/usr/lib/atlas-base 
  15.    
  16. make $* 
# CUDA toolkit installation directory.export CUDA_INSTALL_PATH=/usr/local/cuda # CUDA SDK installation directory.export CUDA_SDK_PATH=/usr/local/cuda-6.5/samples/common/inc # Python include directory. This should contain the file Python.h, among others.export PYTHON_INCLUDE_PATH=/usr/include/python2.7 # Numpy include directory. This should contain the file arrayobject.h, among others.export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy # ATLAS library directory. This should contain the file libcblas.so, among others.export ATLAS_LIB_PATH=/usr/lib/atlas-base make $*按照官网的教程，配置完build.sh后就可以进行编译了。但是会发生错误，还需要改如下几个地方才可以。

2.4. 头文件添加

直接编译会发生找不到cutil_inline.h头文件的错误。分析原因可能是原来有这个头文件，后来这个头文件的功能被实现到其他头文件中去了。在include子文件夹下田间cutil_inline.h文件，并输入内容。
  1. #include "helper_cuda.h" 
  2. #define cutilCheckMsg（a） getLastCudaError（a） 
  3. #define cutGetMaxGflopsDeviceId（） gpuGetMaxGflopsDeviceId（） 
  4. #define MIN（a,b） （a） < （b） ？ （a） : （b） 
#include "helper_cuda.h"#define cutilCheckMsg（a） getLastCudaError（a）#define cutGetMaxGflopsDeviceId（） gpuGetMaxGflopsDeviceId（）#define MIN（a,b） （a） < （b） ？ （a） : （b）2.5. MakeFile文件更改MakeFile第3行，原文如下：
  1. INCLUDES :=  -I$（PYTHON_INCLUDE_PATH） -I$（NUMPY_INCLUDE_PATH） -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix 
INCLUDES :=-I$（PYTHON_INCLUDE_PATH） -I$（NUMPY_INCLUDE_PATH） -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix添加cuda的路径后如下：
  1. INCLUDES :=  -I$（PYTHON_INCLUDE_PATH） -I$（NUMPY_INCLUDE_PATH） -I$（CUDA_SDK_PATH） -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix 
INCLUDES :=-I$（PYTHON_INCLUDE_PATH） -I$（NUMPY_INCLUDE_PATH） -I$（CUDA_SDK_PATH） -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix保存之。

2.6. 最后的库链接错误

做完上述改动后，可以编译了，但到最后会发生一个库链接的错误，不用管，直接将那个库注释掉。在common-gcc-cuda-4.0.mk文件的332行。直接用#号注释。
  1. # LIB += -lcutil_$（LIB_ARCH） $（LIBSUFFIX） -lshrutil_$（LIB_ARCH） $（LIBSUFFIX） 
# LIB += -lcutil_$（LIB_ARCH） $（LIBSUFFIX） -lshrutil_$（LIB_ARCH） $（LIBSUFFIX） 至此，就可以完成cuda-convnet的编译了。 更多详情见请继续阅读下一页的精彩内容： http://www.linuxidc.com/Linux/2014-10/107500p2.htm 
  • 1
  • 2
  • 下一页
Linux基础教程：如何在CentOS或RHEL 7上修改主机名Ubuntu 14.04 安装配置CUDA相关资讯      CUDA  cuda-convnet  Ubuntu 14.04配置CUDA 
  • Ubuntu 16.04 LTS+NVIDIA@GT620M+  （今 14:03）
  • Ubuntu15.10_64位安装Theano+CUDA7  （08月10日）
  • Ubuntu 16.04系统下CUDA7.5配置  （07月03日）
  • Caffe配置简明教程 （ Ubuntu 14.04  （09月08日）
  • Ubuntu下安装Torch并配置CUDA和  （07月16日）
  • Ubuntu 14.04安装Nvidia CUDA7.5并  （09/26/2015 10:22:41）
本文评论 查看全部评论 （0）
表情： 姓名： 字数