從零開始：深度學習軟件環境安裝指南

在搭建深度學習機器之後，我們下一步要做的就是構建完整的開發環境了。本文將向你解釋如何在一臺新裝的 Ubuntu 機器上安裝 Python 和 Nvidia 硬件驅動、各類庫和軟件包。

為了進行強化學習研究，我最近購置了一臺基於 Ubuntu 和英偉達 GPU 的深度學習機器。儘管目前在網絡中能找到一些環境部署指南，但目前仍然沒有全面的安裝說明。另外，我也不得不閱讀了很多文檔來試圖理解安裝細節——其中的一些並不完整，甚至包含語法錯誤。因此，本文試圖解決這個問題，提供一個詳盡的軟件環境安裝指南。

本文將指導你安裝

• 操作系統（Ubuntu）

• 4 種驅動和庫（GPU 驅動、CUDA、cuDNN 和 pip）

• 5 種 Python 深度學習庫（TensorFlow、Theano、CNTK、Keras 和 PyTorch）

這些軟件之間的互相依賴關係如下圖所示。其中，你只需要安裝一種深度學習庫，請自由選擇。

深度學習軟件安裝和依賴示意圖

以下是各個軟件的細節介紹：

1. Ubuntu（v16.04.3）——操作系統，各種任務處理。

2. Nvidia GPU 驅動（v375）——允許系統獲得 GPU 帶來的加速。

3. CUDA（v8.0）——GPU C 語言庫。「計算同一設備架構」。

4. cuDNN（v6.0.21）——基於 CUDA 的深度學習基元庫。「CUDA 深度學習庫」。

5. pip（v9.0.1）——Python 安裝包。「Pip 安裝包」。

6. TensorFlow（v1.3）——谷歌開發的深度學習框架。

7. Theano（v0.9.0）——此前由 MILA 負責維護的深度學習框架。

8. CNTK（v2.2）——微軟研究院開發的深度學習框架。

9. Keras（v2.0.8）——深度學習包裝可互換後端。可與 TensorFlow、Theano 和 CNTK 共同使用。

10. PyTorch（v0.2.0）——可被 GPU 加速的動態圖深度學習框架，主要由 Facebook 的研究人員負責開發。

1. 安裝 Ubuntu 16.04.3

v 16.04.3 可由 USB 啟動的方式安裝，它是最新的 LTS（長期支持）版本。首次在電腦上啟用時，請在 BIOS 中選擇由 USB 引導啟動。

我的電腦中有兩塊硬盤——一塊 1TB 的 SATA 和一塊 256GB 的 SSD。在我的設想中，Ubuntu 被安裝在常規硬盤中，固態硬盤（SSD）用於處理數據集和加速訓練。在安裝過程中，在屏幕中的 Installation Type 中選擇 Something else，隨後我們要進行三個分區操作：

• 引導分區（128GB）：包含系統文件、程序設置和文檔。

• 交換分區（2 倍的內存大小）：對於我來說這就是 128GB。這塊分區的容量用於擴展 Kernel RAM 作為虛擬內存使用。

• 用戶分區（剩下的部分）：1TB 的硬盤剩下的空間大約還有 744GB。

在安裝後，最好先運行以下命令來升級內核版本。

sudo apt-get updatesudo apt-get upgrade

Reference：https://tutorials.ubuntu.com/tutorial/tutorial-install-ubuntu-desktop#0

2. 安裝英偉達 GPU 驅動

在安裝完 Ubuntu 後，你可能會發現屏幕的分辨率不對，而且不能修改，這是因為現在還沒有安裝 GPU 驅動。

安裝驅動有兩種方法：從 Ubuntu 資源庫和數據源。第一個方法更加容易，但需要頻繁的重新安裝。使用 sudo apt-get update 和 sudo apt-get upgrade 指令後，系統的內核可以自動升級。但這樣並不會更新英偉達驅動，可能會導致 GUI 無法正確加載。從數據源安裝可以避免這個問題。

從安裝包裡安裝 v375 驅動（簡單的方法）

以下命令會將與你係統相兼容的驅動版本顯示出來，它會提供兩個版本號：最新的不穩定版和長期穩定版。版本號會從頭列起，所以你需要把頁面滾到最上面。

sudo add-apt-repository ppa:graphics-drivers/ppa

添加並安裝資源庫。通過第二個命令，改變你想要安裝的<driver_number>。我們在這裡推薦安裝最新的長期穩定版本——375 版。

sudo apt-get updatesudo apt-get install nvidia-<driver_number>

重啟計算機以重新配置視頻輸出。

sudo shutdown -r now

要測試驅動程序是否工作，Screen Display（SUPERKEY，屏幕顯示類型）現在應該可以識別你使用的顯示器了，你可以修改設置、分辨率與方向。

Reference：https://launchpad.net/~graphics-drivers/+archive/ubuntu/ppa

從英偉達網站安裝 v384.90（較難的方法）

從英偉達網站下載最新的驅動程序版本。基於硬件配置，我選擇的選項是：

GeForce -> GeForce 10 Series -> GeForce GTX 1080 -> Linux 64 bit -> English (UK)

可選條件：編譯到 32 位架構和 GUI 的開發版本。

sudo apt-get install gcc-multilib xorg-dev

按 CTRL + ALT + F1 鍵登錄，從 GUI 轉至終端。為了重建視頻輸出，必須先將其暫停。

sudo service lightdm stop

如果命令行沒有效果，Ubuntu 新版本使用 systemctl 替換 lightdm。然後使 runfile 可執行，並運行它。

cd <download location>chmod +x NVIDIA-Linux-x86_64-384.90.runsudo ./NVIDIA-Linux-x86_64-384.90.run --dkms

運行時，你可能會收到一條 pre-install script failed 信息。這沒什麼影響，因為預安裝腳本包含命令 exit 1，其目標是確保你真的想安裝驅動程序。

選項--dkms（默認開啟）在 kernel 自行更新時將驅動程序安裝至模塊中，從而阻止驅動程序重新安裝。在 kernel 更新期間，dkms 觸發驅動程序重編譯至新的 kernel 模塊堆棧。

如果安裝失敗，則原因在於計算機的 BIOS 未關閉 Secure Boot。重啟電腦，在 BIOS 選項中關閉 Secure Boot。

如果安裝成功，則可以重啟 GUI。

sudo service lightdm start

卸載：sudo ./NVIDIA-Linux-x86_64-384.90.run --uninstall

驗證

確保以下命令能夠識別正確的 GPU 版本

nvidia-smi

確保驅動程序版本號與你安裝的一致

cat /proc/driver/nvidia/version

3. 安裝 CUDA 8.0

從英偉達網站，使用下列系統屬性下載 CUDA 的 runfile（地址：https://developer.nvidia.com/cuda-downloads）。

Linux -> x86_64 -> Ubuntu -> 16.04 -> .deb(network)

導航至.deb 文件的位置後，將該文件解壓縮，更新軟件包列表，使用下列命令安裝 CUDA。

sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.debsudo apt-get updatesudo apt-get install cuda

將庫添加至 bash path，這樣就可以使用其他應用找到庫了。

echo 'export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}' >> ~/.bashrcecho 'export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrcsource ~/.bashrc

驗證時，使用 nvcc -V 確保 Nvidia C Compiler（nvcc）版本與 CUDA 的版本匹配。

重啟電腦 sudo shutdown -r now，完成安裝。

可選操作：測試 CUDA 安裝

測試安裝的一個方法是運行一些示例。以下命令行創建了一個存儲示例程序的 test_CUDA 目錄。

mkdir test_CUDAcd test_CUDA./cuda-install-samples-8.0.sh .

子目錄 NVIDIA_CUDA-8.0_Samples/3_Imaging/cudaDecodeGL 中是 findgllib.mk 文件。該文件的第 61 行 30 列包含了英偉達驅動程序的硬編碼值，該值應從 367 更改成你安裝的驅動程序版本號。

編譯示例

cd ../.. && make

你現在可以在 NVIDIA_CUDA-8.0_Samples 內隨意運行示例。你可以在 NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release 中找到兩個非常有用的腳本：./deviceQuery 可以在使用過程中打印 GPU，./bandwidthTest 可以打印它的帶寬。

Reference：http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html

4. 安裝 cuDNN 6.0.21

在英偉達網站上註冊開發者項目，同意條款。從下拉菜單中選擇 cuDNN v6.0.21 (April 27, 2017), for CUDA 8.0，並下載：

1. cuDNN v6.0 Runtime Library for Ubuntu16.04 (Deb)

2. cuDNN v6.0 Developer Library for Ubuntu16.04 (Deb)

3. cuDNN v6.0 Code Samples and User Guide for Ubuntu16.04 (Deb)

.deb 優先於.tar，因為.deb 格式更適用於 Ubuntu，可以進行更純淨的安裝。使用下列命令安裝這三個包：

sudo dpkg -i libcudnn6_6.0.21-1+cuda8.0_amd64.debsudo dpkg -i libcudnn6-dev_6.0.21-1+cuda8.0_amd64.debsudo dpkg -i libcudnn6-doc_6.0.21-1+cuda8.0_amd64.deb

測試 cuDNN

將已安裝的示例複製到可讀目錄，然後編譯並運行 mnistCNN。

cp -r /usr/src/cudnn_samples_v6/ $HOMEcd $HOME/cudnn_samples_v6/mnistCUDNNmake clean && make./mnistCUDNN

如果一切順利，腳本應該會返回一條 Test passed! 消息。

卸載 cudnn

使用以下命令卸載三個庫。另外，如果你已經創建了樣本，那麼再加上 rm -r ~/cudnn_samples_v6。

sudo apt-get remove libcudnn6sudo apt-get remove libcudnn6-devsudo apt-get remove libcudnn6-doc

Reference：cuDNN Installation Guide cuDNN Installation Guide（http://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html）

5. 安裝 pip 9.0.1

Pip 的升級非常頻繁，幾乎每兩週一次，建議使用最新版本的 pip。

請使用以下命令安裝和升級最新版本的 pip。

sudo apt-get install python-pip python-devsudo pip install --upgrade pip

驗證：請確保鍵入 pip -V 後可以打印出版本號。

6. 安裝 Tensorflow 1.3.0

pip install tensorflow-gpu

驗證：啟動$ python，確認是否以下腳本能夠打印出 Hello, Tensorflow!

import tensorflow as tfhello = tf.constant('Hello, TensorFlow!')sess = tf.Session()print(sess.run(hello))

Reference：https://www.tensorflow.org/install/install_linux

7. 安裝 Theano 0.10

Theano 需要的系統環境：

sudo apt-get install libopenblas-dev cmake git

此外還要遵循 Python 的系統需求。

sudo pip install numpy scipy nose sphinx pydot-ng pycuda scikit-cuda cython

libgpuarray 可以讓 Theano 使用 GPU，它必須從源編譯。首先下載源代碼

git clone https://github.com/Theano/libgpuarray.gitcd libgpuarray

將其編譯為一個名為 Build 的文件夾。

mkdir Buildcd Buildcmake .. -DCMAKE_BUILD_TYPE=Releasemakesudo make install

隨後將其編譯成一個 Python 包。

cd ..python setup.py buildsudo python setup.py install

將下面一行添加至 ~/.bashrc，這樣 Python 就可以找到庫了。

export LD_LIBRARY_PATH=/usr/local/lib/:$LD_LIBRARY_PATH

最後，安裝 Theano

sudo pip install git+https://github.com/Theano/Theano.git#egg=Theano

驗證：創建測試文件 test_theano.py，其中的內容複製自：http://deeplearning.net/software/theano/tutorial/using_gpu.html#testing-theano-with-GPU

隨後看看 THEANO_FLAGS=device=cuda0 python test_theano.py 在使用了 GPU 之後是否成功。

Reference: Theano 0.9.0 documentation（http://deeplearning.net/software/theano/install_ubuntu.html）

8. 安裝 CNTK 2.2

sudo pip install https://cntk.ai/PythonWheel/GPU/cntk-2.2-cp27-cp27mu-linux_x86_64.whl

驗證：輸入 python -c "import cntk; print(cntk.__version__)"，輸出 2.2。

Reference: Setup CNTK on your machine（https://docs.microsoft.com/en-us/cognitive-toolkit/setup-cntk-on-your-machine）

9. 安裝 Keras 2.0.8

sudo pip install keras

驗證：檢查$ python 中的 import keras 是否成功。

Reference: Keras Installation（https://keras.io/#installation）

10. 安裝 PyTorch 0.2.0

PyTorch 運行在兩個庫上： torchvision 和 torch，我們需要這樣安裝：

1. sudo pip install http://download.pytorch.org/whl/cu80/torch-

2. 0.2.0.post3-cp27-cp27mu-manylinux1_x86_64.whl

3. sudo pip install torchvision

驗證：以下腳本能夠打印出一個帶有隨機初始浮點數的張量。

from __future__ import print_functionimport torchx = torch.Tensor(5, 3)print(x)

Reference: http://pytorch.org/

結論

目前為止，整個過程中最難的部分是找出 Nvidia 驅動和深度學習包之間的依賴關係，以及最有效的長期安裝過程。而最簡單的部分是安裝 Python，安裝包和文檔都得到了良好的維護。

雖然閱讀文檔和源代碼都非常耗費時間，但瞭解每個軟件包的構建和功能是非常具有啟發性的，它也可以幫助我們理解整個 Ubuntu 生態系統。

希望本文對你有所幫助。