Ubuntu 16.04 LTSにCUDAとTensorFlowを入れて深層学習環境をつくる
Ubuntu 16.04 LTSにCUDAとTensorFlowを入れて深層学習環境をつくる
木, 2月 23, 2017
やりたいこと
- 深層学習やりたい
- TensorFlowを使う
- GPUで高速化する
TensorFlowはオープンソースの機械学習ライブラリ．PythonやC++から利用できる． 今回はPythonから使うが，CUDAを利用したGPGPUで高速化する．
CUDAとcuDNNの導入
CUDA
CUDA ToolkitからCUDA Toolkit 8.0のを導入する． 今回はパッケージマネージャを使う． インストーラをダウンロードし，パッケージマネージャに追加する．
wget http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_<version>_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1604_<version>_amd64.deb
sudo aptitude update
sudo aptitude install cuda<version>はCUDA Toolkitのバージョン．
パスの設定
~/.zshrcに以下を追加．
export 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}}
export CUDA_HOME=/usr/local/cudaテスト
サンプルを試してみる．
cd /usr/local/cuda-8.0/samples
sudo make今回の環境だとOpenGL関係と思われるエラーが出て一部ビルドできなかった． とりあえず今後の課題．
幾つか試す．
cd bin/x86_64/linux/release
# デバイス情報
./deviceQuery
# バンド幅
./bandwidthTest
# 多体問題
./nbody -benchmark -numbodies=256000 -device=0cuDNN
cuDNNは深層学習用のCUDAライブラリ． 畳み込みを高速化する．
cuDNNからダウンロードするためにNVIDIA Developerのアカウントを作る必要がある．
ダウンロードしたファイルを展開し，CUDAのディレクトリへコピーする．
tar xzvf cudnn-8.0-linux-x64-v5.1.tgz
sudo cp -a cuda/lib64/* /usr/local/cuda-8.0/lib64/
sudo cp -a cuda/include/* /usr/local/cuda-8.0/include/TensorFlowの導入
- pyenv環境
- python3.5を利用
を仮定する． 適当な仮想環境を作り，その中でGPU版を導入する．
# TensorFlowのインストール（GPU版）
pip install tensorflow-gpuもしうまくいかない場合は以下を試す（参考:Installing with virtualenv| TensorFlow, The URL of the TensorFlow Python package|TensorFlow）．
echo TF_PYTHON_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.0.0-cp35-cp35m-linux_x86_64.whl
pip install --upgrade TF_PYTHON_URLこれで導入できた．
テスト
GPUが利用できているか確認． チュートリアルから以下のコードを試す．
# Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))うまくいけば環境が構築できたことになる．
おまけ：GPUの監視
nvidia-smiコマンドでGPUの使用状況を確認できる．
今後の課題
参考
最終更新日