Skip to content

Latest commit

 

History

History
182 lines (138 loc) · 6.97 KB

anaconda+theano+cuda+vs2012编程环境搭建.md

File metadata and controls

182 lines (138 loc) · 6.97 KB
Raw

anaconda+theano+cuda+vs2012编程环境搭建

一 基本概念介绍

1.1. anaconda：

一个python科学计算发行版，具体可以参考下面的网页： 目前比较流行的python科学计算发行包。其中比较了python(x,y),winpython, anaconda, canopy, sage。

1.2. theana：####

深度学习python包。

1.3. cuda:

nvidia gpu编程库

二 安装流程

####2.1 我的安装环境
windows7 64bit. gpu是geforce gtx 660.

2.2 cuda安装

先安装cuda. 目前cuda的最新版是5.5，直接到官方网站下站即可。

下载完后直接傻瓜安装。在我的机器上，我将其安装到"D:\NVIDIA\CUDA"目录。 安装完后，还要设置一些环境变量：

CUDA_PATH   D:\NVIDIA\CUDA\CUDAToolkit
CUDA_BIN_PATH　　%CUDA_PATH%\bin
CUDA_LIB_PATH　　%CUDA_PATH%\lib\x64
CUDA_SDK_PATH　　D:\NVIDIA\CUDA\CUDASamples
CUDA_SDK_BIN　　%CUDA_SDK_PATH%\Bin\win64
CUDA_SDK_LIB　　%CUDA_SDK_PATH%\common\lib\x64
PATH   %CUDA_BIN_PATH%

安装结束后，可以验证一下cuda是否成功 cd %CUDA_SDK_PATH%\Bin\win64\Release

执行deviceQuery.exe 和 bandwithTest.exe

Image

ok, cuda安装成功

2.3 cuda+vs

再接着按照上面教程所说，继续安装vs2010. cuda官网上有一篇安装教程： cuda+vs官网安装

安装完后，根据下面文章的提示，还要设置一下nvcc.profile. Why can't nvcc find my Visual C++ installation?

Include this line compiler-bindir = C:\Program Files (x86)\Microsoft Visual Studio 9.0\VC\bin in %CUDA_BIN_PATH%\nvcc.profile

一开始，我安装是vs2010 express版本。 但是在编译cuda sample时， 例如这个例子： %CUDA_SDK_PATH%\1_Utilities\bandwidthTest 用win32平台编译没有问题，可以正确执行，但是在clean操作时，会出现下面的错误。 会出现错误： nvcc : fatal error : nvcc cannot find a supported version of Microsoft Visual Studio. Only the versions 2008, 2010, and 2012 are supported

经查，据网上说，是因为vs2010 express默认是不支持64bit编译的，所以可以参考下面两篇文章的介绍进行修复: https://devtalk.nvidia.com/default/topic/570348/windows-7-64bit-installation-weird-problems-/ http://msdn.microsoft.com/en-us/library/vstudio/9yb4317s%28v=vs.110%29.aspx 我这样做了，但是仍然没有弄好。可能是哪里有疏漏。直接的做法是：那就不装express版本，直接改装ultimate版吧。

下载vs2012 ultimate版，无需激活。 [vs2012下载地址]http://www.edencx.com/visualstudio2012.html

vs2012安装完成后，打开bandwidthTest，还有一点错误： 说在这个目录下"C:\Program Files (x86)\MSBuild\Microsoft.Cpp\v4.0\V110\BuildCustomizations"找不到CUDA 5.5.props 经过搜索，发现在D:\NVIDIA\CUDA\CUDAToolkit\extras\visual_studio_integration\MSBuildExtensions目录下有这个文件，于是把这个目录下的所有文件都拷到VS的BuildCustomizations目录下。

这样总算可以完整编译bandwidthTest工程，x64和win32平台都是ok的。

2.4 anaconda

搞好cuda的环境后，再来安装anaconda。 anaconda的安装相对简单。

2.5 theana

安装完anaconda后，再按照下面文章所述安装theano. 64位WIN7上成功安装theano,并运行了g++, GPU 官网上利用anaconda安装theano的介绍 安装完theano后，还要设置环境变量：PYTHONPATH = D:\Anaconda\Lib\site-packages\theano PYTHONPATH的含义和sys.path一样，就是python解释器寻找模块的路径。

在使用theano之前，还需要配置theano。 在home目录下编辑.theanorc.txt

[blas]
ldflags =
[gcc]
cxxflags = -ID:\Anaconda\MinGW
[nvcc]
fastmath = True
flags=-LD:\Anaconda\libs
compiler-bindir=C:\Program Files (x86)\Microsoft Visual Studio 11.0\VC\bin
base_compiledir=path_to_a_directory_without_such_characters
[global]
floatX = float32
device = gpu

三. 使用theano

3.1 theano using the GPU

官方using the gpu文档

下面是一个测试程序： 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' % iters, t1 - t0, 'seconds'
print 'Result is', 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'

The program just computes the exp() of a bunch of random numbers. Note that we use the shared function to make sure that the input x is stored on the graphics device.

在我的机器上，使用cpu执行是10多s. 而使用gpu则是0.5s左右。快了20多倍。

from theano import function, config, shared, sandbox, Out
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([],
Out(sandbox.cuda.basic_ops.gpu_from_host(T.exp(x)),
borrow=True))
print f.maker.fgraph.toposort()
t0 = time.time()
for i in xrange(iters):
    r = f()
t1 = time.time()
print 'Looping %d times took' % iters, t1 - t0, 'seconds'
print 'Result is', r
print 'Numpy result is', numpy.asarray(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'

用上面这个程序，GPU执行，只需要0.01s。

3.2 DeepLearningTutorials

下载DeepLearningTutorials

DeepLearningTutorials

仔细研读里面的文件，开始学习deep learning！

logistic_sgd.py 执行结果： Image