Ubuntu 14.04配置cuda-convnet


在这个链接中（），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

 

Ubuntu 12.04 安装 CUDA-5.5 

 

Ubuntu 11.10 上安装CUDA开发环境

 

Fedora 15系统下配置CUDA环境

 

Ubuntu 11.04 安装 NVIDIA CUDA 4.0 RC2

 

Linux Mint 13/Ubuntu 12.04 配置CUDA 4.2 & OpenCV 2.4.2 方法

 

CUDA入门教程

 

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 

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 

 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 

2.3. 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 $* 

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) 

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 

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 

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) 

 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：

 

  • 1
  • 2
  • 下一页

相关内容