选自媒体
机器之心合辑
参与：吕雪、李泽南
搭建好深度学习机之后，接下来要做的就是搭建一个完整的开发环境。 本文将向您解释如何在新安装的 Ubuntu 机器上安装 Python 和 Nvidia 硬件驱动程序、各种库和包。
对于强化学习研究，我最近获得了一台基于 Ubuntu 和 Nvidia GPU 的深度学习机器。 虽然网上可以找到一些环境部署手册，但是没有比较全面的安装说明。 此外，我不得不阅读大量文档以试图了解安装细节——其中一些不完整，甚至包含语法错误。 因此，本文试图解决这个问题，并提供了详细的软件环境安装手册。
本文将指导您安装
这些软件之间的相互依赖关系如右图所示。 其中，你只需要安装一个深度学习库，请自由选择。
深度学习软件安装及依赖关系示意图
各个软件的详细信息如下：
Ubuntu (v16.04.3) - 操作系统，各种任务处理。
NvidiaGPU 驱动程序 (v375) - 允许系统通过 GPU 加速。
CUDA (v8.0) - GPUC 语言库。 “计算相同的设备架构”。
cuDNN (v6.0.21) - 基于 CUDA 的深度学习原语库。 “CUDA 深度学习库”。
pip (v9.0.1) - Python 安装包。 “pip安装包”。
TensorFlow (v1.3) - 由谷歌开发的深度学习框架。
Theano (v0.9.0) - 之前由 MILA 维护的深度学习框架。
CNTK (v2.2) - 由 Microsoft Research 开发的深度学习框架。
Keras (v2.0.8) - 具有可互换前端的深度学习包装器。 适用于 TensorFlow、Theano 和 CNTK。
PyTorch (v0.2.0) - 一个可以通过 GPU 加速的动态图深度学习框架，主要由 Facebook 研究人员开发。
1、安装Ubuntu16.04.3
v16.04.3 可从 USB 启动，并且是最新的 LTS（长期支持）版本。 当您第一次在笔记本电脑上启用它时，请在 BIOS 中选择从 USB 启动。
我的笔记本电脑中有两个硬盘驱动器 - 一个 1TB SATA 和一个 256GB SSD。 在我的设想中，Ubuntu 安装在普通硬盘上，固态硬盘（SSD）用于处理数据集和加速训练。 安装过程中，在屏幕上的InstallationType中选择Somethingelse，之后我们要进行三个分区操作：
安装完成后，最好先运行以下命令升级内核版本。
sudo apt-get update
sudo apt-get upgrade
参考：#0
2.安装NVIDIA GPU驱动
安装Ubuntu后，你可能会发现屏幕的帧率不对，但无法更改。 这是因为尚未安装 GPU 驱动程序。
有两种安装驱动程序的方法：从 Ubuntu 存储库和从数据源。 第一种方法更简单，但需要经常重新安装。 使用sudoapt-getupdate和sudoapt-getupgrade命令后，可以手动升级系统内核。 但这不会更新 Nvidia 驱动程序，这可能会导致 GUI 无法正确加载。 从数据源安装可防止出现此问题。
从安装包中安装v375驱动（简单方法）
以下命令将显示与您的系统兼容的驱动程序版本。 它会提供两个版本号：最新不稳定版和常年稳定版。 版本号将从头开始列出，因此您需要滚动到页面顶部。
sudo add-apt-repository ppa:graphics-drivers/ppa
添加并安装存储库。 使用第二个命令，更改您要安装的内容。 我们建议在这里安装最新的常年稳定版本——版本 375。
sudo apt-get update
sudo apt-get install nvidia-<driver_number>
重新启动计算机以重新配置视频输出。
sudo shutdown -r now
为了测试驱动程序是否正常工作，ScreenDisplay(SUPERKEY, Screen Display Type) 现在应该可以识别您正在使用的显示器ubuntu安装软件教程，并且您可以更改设置、分辨率和方向。
参考：~graphics-drivers/+archive/ubuntu/ppa
从 Nvidia 网站安装 v384.90（硬方式）
从 NVIDIA 网站下载最新的驱动程序版本。 根据硬件配置，我选择的选项是：
GeForce->GeForce10Series->GeForceGTX1080->Linux64bit->English(UK)
可选：编译为 32 位框架和 GUI 开发版本。
sudo apt-get install gcc-multilib xorg-dev
按 CTRL+ALT+F1 登录并从 GUI 转到终端。 为了重建视频输出，必须先暂停它。
sudo service lightdm stop
如果命令行不起作用，较新版本的 Ubuntu 使用 systemctl 而不是 lightdm。 之后使 runfile 可执行，然后运行它。
cd <download location>
chmod +x NVIDIA-Linux-x86_64-384.90.run
sudo ./NVIDIA-Linux-x86_64-384.90.run --dkms
运行时，您可能会收到预安装脚本失败的消息。 这无关紧要，因为预安装脚本包含命令 exit1，其目的是确保您确实要安装驱动程序。
选项 --dkms（默认打开）在内核更新时将驱动程序安装到模块中，防止重新安装驱动程序。 在内核更新期间，dkms 触发驱动程序重新编译为新的内核模块堆栈。
如果安装失败，原因是计算机的BIOS没有关闭SecureBoot。 重启笔记本，在BIOS选项中关闭SecureBoot。
如果安装成功，您可以重新启动 GUI。
sudo service lightdm start
卸载：sudo ./NVIDIA-Linux-x86_64-384.90.run --uninstall
核实
确保以下命令识别正确的 GPU 版本
nvidia-smi
确保驱动程序版本号与您安装的相匹配
cat /proc/driver/nvidia/version
3.安装CUDA8.0
从 NVIDIA 网站，使用以下系统属性下载 CUDA 运行文件（地址：）。
Linux->x86_64->Ubuntu->16.04->.deb(网络)
导航到 .deb 文件的位置后，提取文件，更新包列表，然后使用以下命令安装 CUDA。
sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
sudo apt-get update
sudo apt-get install cuda
将库添加到 bashpath，以便其他应用程序可以找到它。
echo 'export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
source ~/.bashrc
验证时，使用 nvcc -V 确保 NvidiaCCompiler (nvcc) 版本与 CUDA 匹配。
重启笔记本 sudoshutdown -rnow 完成安装。
可选：测试 CUDA 安装
测试安装的一种方法是运行一些示例。 以下命令行创建一个 test_CUDA 目录，其中存储示例程序。
mkdir test_CUDA
cd test_CUDA
./cuda-install-samples-8.0.sh .
在 NVIDIA_CUDA-8.0_Samples/3_Imaging/cudaDecodeGL 子目录中是 findllib.mk 文件。 此文件的第 61 行第 30 列包含 Nvidia 驱动程序的硬编码值，应将其从 367 更改为您安装的驱动程序的版本号。
编译示例
cd ../.. && make
您现在可以自由运行 NVIDIA_CUDA-8.0_Samples 中的示例。 您可以在 NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release 中找到两个特别有用的脚本：./deviceQuery 在使用过程中复制 GPU，而 ./bandwidthTest 复制其带宽。
参考：
4.安装cuDNN6.0.21
在 NVIDIA 网站上注册开发者计划，同意条款。 在下拉菜单中选择cuDNNv6.0.21(April27,2017)，for CUDA8.0，下载：
cuDNNv6.0RuntimeLibraryforUbuntu16.04(Deb)
cuDNNv6.0DeveloperLibraryforUbuntu16.04(Deb)
cuDNNv6.0CodeSamplesandUserGuideforUbuntu16.04(Deb)
.deb 优于 .tar，因为 .deb 格式更适合 Ubuntu，允许更干净的安装。 使用以下命令安装这三个包：
sudo dpkg -i libcudnn6_6.0.21-1+cuda8.0_amd64.deb
sudo dpkg -i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.deb
sudo dpkg -i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb
test-cuDNN
将安装的示例复制到可读目录，然后编译并运行 mnistCNN。
cp -r /usr/src/cudnn_samples_v6/ $HOME
cd $HOME/cudnn_samples_v6/mnistCUDNN
make clean && make
./mnistCUDNN
如果一切顺利，脚本应该返回 Testpassed！ 信息。
卸载cudnn
使用以下命令卸载这三个库。 此外，如果您已经创建了示例，请添加 rm -r ~/cudnn_samples_v6。
sudo apt-get remove libcudnn6
sudo apt-get remove libcudnn6-dev
sudo apt-get remove libcudnn6-doc
参考：cuDNNInstallationGuidecuDNNInstallationGuide()
5.安装pip9.0.1
pip升级非常频繁，几乎每两周一次，建议使用最新版本的pip。
请使用以下命令安装和升级最新版本的 pip。
sudo apt-get install python-pip python-dev
sudo pip install --upgrade pip
验证：请确保输入pip -V后可以复制出版本号。
6.安装Tensorflow1.3.0
pip install tensorflow-gpu
验证：启动$python，确认以下脚本是否可以打印Hello, Tensorflow!
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
参考：
7.安装Theano0.10
Theano所需的系统环境：
sudo apt-get install libopenblas-dev cmake git
据悉，还必须遵守Python的系统要求。
sudo pip install numpy scipy nose sphinx pydot-ng pycuda scikit-cuda cython
libgpuarray使Theano能够使用GPU，必须从源码编译。首先下载源码
git clone https://github.com/Theano/libgpuarray.git
cd libgpuarray
将其编译到名为 Build 的文件夹中。
mkdir Build
cd Build
cmake .. -DCMAKE_BUILD_TYPE=Release
make
sudo make install
然后将其编译成 Python 包。
cd ..
python setup.py build
sudo python setup.py install
将以下行添加到 ~/.bashrc 以便 Python 可以找到该库。
export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH
最后，安装Theano
sudo pip install git+https://github.com/Theano/Theano.git#egg=Theano
验证：创建测试文件test_theano.py，内容复制自：#testing-theano-with-GPU
然后使用GPU后查看THEANO_FLAGS=device=cuda0pythontest_theano.py是否成功。
参考：Theano0.9.0文档()
8.安装CNTK2.2
sudo pip install https://cntk.ai/PythonWheel/GPU/cntk-2.2-cp27-cp27mu-linux_x86_64.whl
验证：输入python -c "importcntk;print(cntk.__version__)"，输出2.2。
参考：SetupCNTKonyourmachine()
9.安装Keras2.0.8
sudo pip install keras
验证：检查 $python 中的 importkeras 是否成功。
参考：KerasInstallation (#installation)
10.安装PyTorch0.2.0
PyTorch 运行在两个库上：torchvision 和 torch，我们需要像这样安装它：
sudo pip install http://download.pytorch.org/whl/cu80/torch-
0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl
sudo pip install torchvision
验证：以下脚本只是复制出一个带有随机初始浮点数的张量。
from __future__ import print_function
import torch
x = torch.Tensor(5, 3)
print(x)
参考：
推理
到目前为止，整个过程中最难的部分是弄清楚 Nvidia 驱动程序和深度学习包之间的依赖关系，以及最高效的常年安装过程。 最简单的部分是安装 Python，包和文档都得到了很好的维护。
虽然阅读文档和源代码可能很耗时，但了解每个包的构建方式和功能尤其具有启发性ubuntu安装软件教程，它可以帮助我们了解整个 Ubuntu 生态系统。
希望本文对您有所帮助。
原文链接：@dyth/deep-learning-software-installation-guide-d0a263714b2
