声明

本教程不得用于任何形式的商业用途，如果需要转载请与作者SCP-173联系，如果发现未经允许复制转载，将保留追求其法律责任的权利。

关于计算机的硬件配置说明

最低配置

如果您是仅仅用于自学或代码调试，亦或是条件所限仅采用自己现有的设备进行开发，那么您的电脑至少满足以下几点：

CPU：Intel第三代i5和i7以上系列产品或同性能AMD公司产品
内存：总容量4G以上

CPU说明

大多数CPU目前支持多核多线程，那么如果您采用CPU加速，就可以使用多线程运算。这方面的优势对于服务器CPU集群和多核并行CPU尤为关键

显卡说明

如果您的显卡是非NVIDIA公司的产品或是NVIDIA GTX系列中型号的第一个数字低于4或NVIDIA的GT系列，都不建议您采用此类显卡进行加速计算，例如NVIDIA GT 910、NVIDIA GTX 450 等等。
如果您的显卡为笔记本上的GTX移动显卡（型号后面带有标识M），那么请您慎重使用显卡加速，因为移动版GPU很容易发生过热烧毁现象。
如果您的显卡，显示的是诸如 HD5000,ATI 5650 等类型的显卡，那么您只能使用CPU加速
如果您的显卡为Pascal架构的显卡（NVIDIA GTX 1080,NVIDIA GTX 1070等），您只能在之后的配置中选择CUDA 8.0

基本开发环境搭建

1. Linux 发行版

linux有很多发行版，本文强烈建议读者采用新版的Ubuntu 16.04 LTS一方面，对于大多数新手来说Ubuntu具有很好的图形界面，与乐观的开源社区；另一方面，Ubuntu是Nvidia官方以及绝大多数深度学习框架默认开发环境。个人不建议使用Ubuntu Kylin，之前提出有部分信息表示，中国官方开发的这个版本有部分功能被“阉割”，你懂得。Ubuntu 16.04 LTS下载地址：

http://www.ubuntu.org.cn/download/desktop

通过U盘安装好后，进行初始化环境设置。

2. Ubuntu初始环境设置

安装开发包打开终端输入：

# 系统升级>>> sudo apt update>>> sudo apt upgrade# 安装python基础开发包>>> sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim

安装运算加速库打开终端输入：

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

3. CUDA开发环境的搭建(CPU加速跳过)

如果您的仅仅采用cpu加速，可跳过此步骤- 下载CUDA8.0

下载地址：

https://developer.nvidia.com/cuda-downloads

之后打开终端输入：

>>> sudo dpkg -i cuda-repo-ubuntu1604-8-0-local_8.0.44-1_amd64.deb>>> sudo apt update>>> sudo apt install cuda

自动配置成功就好。

将CUDA路径添加至环境变量在终端输入：

>>> sudo gedit /etc/bash.bashrc

在bash.bashrc文件中添加：

export CUDA_HOME=/usr/local/cuda-8.0export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

之后source gedit /etc/.bashrc即可同样，在终端输入：

>>> sudo gedit ~/.bashrc

在.bashrc中添加如上相同内容（如果您使用的是zsh，在~/.zshrc添加即可）

测试在终端输入：

>>> nvcc -V

会得到相应的nvcc编译器相应的信息，那么CUDA配置成功了。记得重启系统

4. 加速库cuDNN（可选）

从官网下载需要注册账号申请，两三天批准。网盘搜索一般也能找到最新版。 Linux目前就是cudnn-8.0-win-x64-v5.1-prod.zip。下载解压出来是名为cuda的文件夹，里面有bin、include、lib，将三个文件夹复制到安装CUDA的地方覆盖对应文件夹，在终端中输入：

>>> sudo cp include/cudnn.h /usr/local/cuda-8.0/include/>>> sudo cp lib64/* /usr/local/cuda-8.0/lib64/

Keras框架搭建

Keras环境设置

修改默认keras后端在终端中输入:

>>> gedit ~/.keras/keras.json

配置theano文件在终端中输入:

>>> gedit ~/.theanorc

并写入以下：

[global]openmp=False device = gpu   floatX = float32  allow_input_downcast=True  [lib]cnmem = 0.8 [blas]ldflags= -lopenblas[nvcc]fastmath = True

如果您的所安装的是CPU加速版本，那么.theanorc文件配置如下：

[global]openmp=True device = cpu floatX = float32 allow_input_downcast=True [blas]ldflags= -lopenblas

之后可以验证keras是否安装成功,在命令行中输入Python命令进入Python变成命令行环境：

>>>import keras

没有报错，并且会打印出关于显卡信息以及cnmem等信息（CPU版本没有）那么Keras就已经成功安装了。

加速测试

速度测试

新建一个文件test.py，内容为：

from theano import function, config, shared, sandboximport theano.tensor as Timport numpyimport timevlen = 10 * 30 * 768  # 10 x #cores x # threads per core  iters = 1000rng = 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GTX 970显卡下，输出结果大概是0.21秒，在一百倍运算量下19秒，可以进行对比。理论上，相比较主频为3.3GHz的CPU，加速比应该是75倍，但不同的ssd和内存限制了IO接口传输速度。

Keras中mnist数据集测试

下载Keras开发包

git clone https://github.com/fchollet/keras.gitcd keras/examples/python mnist_mlp.py

程序无错进行，至此，keras安装完成。

声明与联系方式

由于作者水平和研究方向所限，无法对所有模块都非常精通，因此文档中不可避免的会出现各种错误、疏漏和不足之处。如果您在使用过程中有任何意见、建议和疑问，欢迎发送邮件到scp173.cool@gmail.com与作者取得联系.

本教程不得用于任何形式的商业用途，如果需要转载请与作者或中文文档作者联系，如果发现未经允许复制转载，将保留追求其法律责任的权利。

作者：SCP-173E-mail ：scp173.cool@gmail.com如果您需要及时得到指导帮助，可以加微信：SCP173-cool，酌情打赏即可

本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。

声明