ubantu16.04+mxnet +opencv+cuda8.0 环境搭建

ubantu16.04+mxnet +opencv+cuda8.0 环境搭建#

建议:环境搭建完成之后,不要更新系统(内核)

转载请注明出处: 微微苏荷

一 我的安装环境

系统:ubuntu16.04

显卡:gt940m

python: 2.7.12

GCC:5.3.0 (ubuntu 默认是5.4, 关于降级,后边有叙述)

二 安装步骤##

(一) gcc降级 (可选/安装opencv2.4.13则必选)###

根据需要,opencv安装时提示,gcc 不支持5.3以上版本,所以降级。

方法1:5.4 =》5.3 (不太建议)####

1.下载GCC源码:####

wget ftp://mirrors.kernel.org/gnu/gcc/gcc-5.3.0/gcc-5.3.0.tar.gz

2.解压:####

tar -zxvf gcc-5.3.0.tar.gz

3.下载编译所需依赖项:####

cd gcc-5.3.0 //进入解包后的gcc文件夹
./contrib/download_prerequisites //下载依赖项
cd .. //返回上层目录

4.建立编译输出目录:####

mkdir gcc-build-5.3.0

5.进入输出目录,执行以下命令,并生成makefile文件:

cd gcc-build-5.3.0
../gcc-5.3.0/configure --enable-checking=release --enable-languages=c,c++ --disable-multilib

6.编译:

make -j4

接下来就是等待了,整个过程大约40分钟左右。PS:最好不要在编译过程中再去做别的什么事,整个过程CPU都是满载的,要是莫名终止了,后面麻烦事也不少。

7.安装:

编译结束以后,我们就可以执行安装了:

make install

8.检查版本:

gcc --version
g++ --version

降级结束

方法2:gcc 4和gcc 5共存(推荐)###

1.安装gcc g++ 4.8####

sudo apt-get install gcc-4.8 gcc-4.8-multilib g++-4.8 g++-4.8-multilib
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 60
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 60
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.8 50

2. 切换gcc g++版本####

sudo update-alternatives --config gcc
sudo update-alternatives --config g++

(二)安装cuda 8.0rc####

1.从nviDIA官网下载安装包####

2.切换到 安装包目录,执行以下命令:####

sudo dpkg -i cuda-repo-ubuntu1604-8-0-rc_8.0.27-1_amd64.deb
sudo apt-get update
sudo apt-get install -y cuda

3.cuda的环境设置:####

新建cuda.conf

sudo gedit /etc/ld.so.conf.d/cuda.conf

并编辑,添加内容:

/usr/local/cuda/lib64
/lib

然后执行链接命令:

sudo ldconfig -v

然后设置环境变量:

export PATH=/usr/local/cuda/bin:$PATH$
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH$

将这两行添加到~/.bashrc

4.编译运行cuda例子####

cd /usr/local/cuda/samples
sudo make all -j4
cd /usr/local/cuda/samples/bin/x86_64/linux/release
sudo ./deviceQuery

运行成功,最后一行显示信息是 :

Result = PASS

这表示安装成功。

5. 关于异常情况:####

一) ubutn14.04+cuda7.5 安装时,本机遇到了重启黑屏现象,主要是驱动问题。解决方法是如下:#####

(方法1,在我尝试种没什么卵用,但有人成功了,真不幸遇到了,可以尝试一下)

(1)ctrl+alt+f1 进入命令行

(2)停掉lightdm 安装gdm

sudo stop lightdm
sudo apt-get install gdm

然后做一些清理工作:

sudo rm -rf .gconf
sudo rm -rf .gconfd
sudo rm -rf ~/.Xauthority

重启:

sudo shutdown -r now

如果还是不行,可以做接下来一步:

sudo apt-get update
sudo apt-get install nvidia-current-updates
sudo nvidia-xconfing
sudo reboot

另一种解决方案是,下载安装最新驱动(不黑屏的支持cuda的闭源驱动),然后安装cuda的run包,选择不安装显卡驱动即可。

安装显卡驱动:

sudo apt-get update
sudo apt-get install nvidia-367
sudo apt-get install mesa-common-dev
sudo apt-get install freeglut3-dev

安装cuda:

进入命令行界面

Ctrl+Alt+F1

关闭界面显示

sudo service lightdm
chmod +x <cuda安装包名字>.run (给予权限)
sudo ./ <cuda安装包名字>.run (安装)

注意:在选择是否安装选择显卡驱动时选择否。

然后关于环境变量设置,跟deb 安装方法中环境变量设置方法一致

二)mxnet 运行找不到cuda库:#####

ImportError: libcudart.so.7.5: cannot open shared object file: No such file

这是因为没有把CUDA的动态链接库加入PATH里,解决方法是,可以在./bashrc里面加入:

export LD_LIBRARY_PATH=/usr/local/cuda/targets/x86_64-linux/lib/:$LD_LIBRARY_PATH

或者是在编译MXnet的时候,在config.mk里的

ADD_LDFLAGS = -I/usr/local/cuda/targets/x86_64-linux/lib/
ADD_CFLAGS =-I/usr/local/cuda/targets/x86_64-linux/lib/

如果,在编译例子中有找不到×××.so 或某命令找不到,可以到/usr下搜索文件,添加文件路径到环境变量

注:关于黑屏和***.so找不到的情况只在14.04+cuda7.5时遇到过,16.04+cuda8.0没有遇到。

(三)安装cudnn###

本文安装的是cudnn-8.0-linux-x64-v5.0-ga,请下载和你显卡匹配的版本

1.去nvidia官网下载合适的cudnn安装包,解压####

注:cudnn-8.0-linux-x64-v5.0-ga下载下来后缀名是.solitairetheme8,在ubuntu默认环境不能直接打开,我选择的是在window上解压。

2.安装:拷贝库和头文件####

切换到cudnn安装包文件夹下cuda/lib 目录下,执行:

sudo cp lib* /usr/local/cuda/lib64/

再切换到cudnn安装包文件夹下cuda/include 目录下:执行:

sudo cp cudnn.h /usr/local/cuda/include/

3.更改文件权限,重新建立软连接####

cd /usr/local/cuda/lib64/
sudo chmod u=rwx,g=rx,o=rx libcudnn.so.5.0.5
sudo rm -rf libcudnn.so.5 libcudnn.so
sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5
sudo ln -s libcudnn.so.5 libcudnn.so

(四)安装opencv###

本文安装的是opencv2.4.13

注意,gcc版本不能超过5.3,否则请降级gcc(opencv3.10则不需要)

1.安装依赖####

sudo apt-get install build-essential libgtk2.0-dev libavcodec-dev libavformat-dev libjpeg62-dev cmake libswscale-dev libjasper-dev

2.去opencv官网下载源码,解压进入源码文件夹。执行:####

// 下列命令 opencv2.4和opencv3.10通用,cmake 时关闭了一些mxnet不需要的部分
mkdir build
cd build
cmake -D BUILD_opencv_gpu=OFF -D WITH_CUDA=OFF -D WITH_1394=OFF -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -DINSTALL_CREATE_DISTRIB=OFF ..
make -j4
sudo make install

然后,把3rdparty/ippicv/unpack/ippicv_lnx/lib/intel64(不是build/3rdparty)目录下的libippicv.a 拷贝到 /usr/local/lib目录下

3.环境配置####

sudo gedit /etc/ld.so.conf.d/opencv.conf

在末尾加上:

/usr/local/lib

然后执行:

sudo ldconfig

打开/etc/bash.bashrc,加入:

PKG_CONFIG_PATH=$PKG_CONFIG_PATH:/usr/local/lib/pkgconfig
export PKG_CONFIG_PATH

(五)安装mxnet###

1.安装依赖####

sudo apt-get update
sudo apt-get install -y build-essential git libatlas-base-dev libopencv-dev

2.下载mxnet####

git clone --recursive https://github.com/dmlc/mxnet

3.配置和编译####

cd mxnet  //如果需要编译指定版本,请先 checkout
sudo cp make/config.mk

修改config.mk文件中的设置来自定义build:

USE_CUDA = 1
USE_CUDA_PATH = /usr/local/cuda
USE_CUDNN =1

(可选 :选择安装atlas或者openblas等其他BLAS的实现,需要额外的修改。如果ubuntu的atlas实现(sudo apt-get install libatlas-base-dev或者sudo apt-get install libopenblas-dev))

然后编译

make -j4

4.安装Python支持####

sudo apt-get install python-setuptools python-numpy
cd python
sudo python setup.py install

建议使用python 2.7版本

/////////////////////////////////////////////////////////////////

没有找到cblas库问题:

解决方法:如果已经安装了openblas, 就从openblas中把cblas.h复制到/usr/include/中。

ps:我还遇到过另外一个问题,是因为没有安装cblas库。下载编译cblas, 然后 把 libcblas.so copy到/usr/lib目录下就行了

(六)运行mnist手写识别例子###

注:有可能会遇到下载数据失败的情况,可将提前下载好的mnist数据放在例子运行目录下边

运行一下命令:

cd mxnet/example/image-classification
python train_minst.py

默认是使用cpu,使用GPU使用下边命令:

python train_mnist.py --network lenet --gpus 0

(七)制作自己的数据集( im2rec工具的使用)###

先使用im2rec 制作出lst文件(保存图片和标签信息的文本的名字)

再使用im2rec 制作出rec文件 (mxnet可使用)

imrec 参数如下:

通用选项:

prefix :LST或REC文件的前缀

root :包含图片文件的文件夹路径

用于创建lst数据的选项

--list:true制作lst,false 制作rec数据 ,默认false

--exts:可接受的图像后缀列表,type=list(可输入多个类型) 比如可输入:.jpeg

--chunks:计算块的大小 ,int 默认 1

--train-ratio:图像用于训练的比例

--test-ratio:图像用于测试的比例 (注:train和test比例之和不为1时,剩余比例为val)

--recursive:如果为true递归穿行子目录并为其分配一个唯一的标签

用于创建数据库(rec)的选项:

--resize:调整图片到指定大小,默认0不调整

--center-crop:是否指定裁剪中心,把图片裁剪为矩形

--quality:图片质量 ,JPEG质量编码,1-100;或PNG压缩编码,1-9

--num-thread:使用制作数据编码时的线程数,线程数大于1,可能会导致数据集的顺序不一样(多线程并行)

--color:指定加载的图像的彩色模式。

1:加载彩色图像。图像的任何透明度将被忽略。默认为1。

0:灰度模式加载图像。

-1:加载图像,例如包括Alpha通道

--encoding:指定图像的编码 type=str, 默认.jpg

--shuffle:如果设置为true,im2rec将在制作lst数据时,随机图像顺序

--pack-label:是否为多维标签

根据需要选择参数即可。

注意:我在2016-08-29 clone的mxnet im2rec.py (0.7版也有)有两处bug:

opencv 图片大小变换错误,第93h行 和96行(两者交换) :

#            newsize = (args.resize, img.shape[0] * args.resize / img.shape[1])
newsize = (img.shape[1] * args.resize / img.shape[0], args.resize)
else:
# newsize = (img.shape[1] * args.resize / img.shape[0], args.resize)
newsize = (args.resize, img.shape[0] * args.resize / img.shape[1])

命令行参数解析,第156行修改可用:

#    cgroup.add_argument('--exts', type=list, default=['.jpeg', '.jpg'],
cgroup.add_argument('--exts', type=str, nargs='+', default=['.jpeg', '.jpg'],

举例:

数据放在了目录:/home/ecarx/English/Hnd/Img

制作list 命令:

python im2rec.py 0829 ~/English/Hnd/Img/ --list=true --exts=.png --chunks=1 --train-ratio=0.6 --test-ratio=0.4 –recursive=true

制作rec 命令(lst文件在当前目录):

python im2rec.py  0829 ~/English/Hnd/Img/   --resize=28 --encoding=.png

制作完数据集,可根据 train_imagenet.py 写数据迭代器,进行训练

注:mxnet v0.7 制作是先执行 make_lst.py,再进入 mxnet/bin 下执行 使用 im2rec(C++) 和之后新版稍有不同

(八)mxnet优缺点分析###

优点:

1.ndarray编程接口,类似matlab/numpy.ndarray/torch.tensor。独有优势在于通过背后的engine可以在性能上和内存使用上更优,(声明式)

2.symbolic接口。这个可以使得快速构建一个神经网络,和自动求导。(命令式)

3.更多binding 目前支持比较好的是python,也支持julia和R

4.更加方便的多卡和多机运行

5.性能上更优。目前mxnet比cxxnet快40%,而且gpu内存使用少了一半。

6.依赖很少,通过mshadow的模板化使得gpu和cpu代码只用写一份,分布式接口也很干净

7.移动端支持较好,已经推出了手机上图片识别的demo

8.社区活跃,提Issuse 回复很快

缺点:

1.文档少,外界相关资料也较少,大部分只能代码当文档快(现在补齐)

2.没有大公司力推(亚马逊,已经支持mxnet 11.26)

可参考文档:

http://www.cnblogs.com/zhizhan/p/5118185.html

http://blog.csdn.net/myarrow/article/details/52064608

http://chenrudan.github.io/blog/2015/11/18/comparethreeopenlib.html#0-tsina-1-2654-397232819ff9a47a7b7e80a40613cfe1?utm_source=tuicool&utm_medium=referral

http://f.dataguru.cn/thread-679134-1-1.html

上一篇:Java Web技术之JSP与EL表达式


下一篇:一周学会Mootools 1.4中文教程:序论