折腾记录——Ubuntu14.04系统安装NvidiaCUDA7.5并搭建PythonTheano深度学习开发环境_Linux教程_动态网站制作指南
折腾记录——Ubuntu14.04系统安装NvidiaCUDA7.5并搭建PythonTheano深度学习开发环境
来源：人气：3417
最近几天一直尝试搭建Theano深度学习开发环境，并安装英伟达CUDA Toolkit。这期间，有想过在Windows上搭建的，但是从网上了解后，发现还是在环境下更加合适。在搭建这个开发环境的过程中，其实入了不少坑，有点曲折。本不打算写搭建过程的，因为网上确实有不少不错的安装步骤，以及官网也有安装教程。But，鉴于被坑了好几天，还是记录一下，长长记性 :)期间安装 14.04超过4次（原因：有些软件依赖问题无法解决，更换软件源貌似也不可以。不过今天把软件源换成主服务器后，就正常了，但是我的无线网速度比较慢，所以使用主服务器后，下载速度明显要慢了不少。）。尝试安装Fedora1次，因为也想过在这个系统上搭建环境的，因为Ubuntu 14.04上面的部分依赖总是搞不定。但是因为网卡驱动的问题，始终无法联网；无法联网，自然就没法安装编译器，没有编译器，没法安装网卡驱动（因为需要编译驱动），最后放弃了这个平台。尝试安装CentOS操作系统1次，其实根本没有安装成功，原因是我的独立显卡驱动问题，导致安装程序的图形界面上的所有文字都是模糊的，甚至连“退出安装”按钮文字我都识别不出来，最后放弃了。
台式机主要参数
内存：金士顿8G
处理器：Intel Core i5-4590 CPU @ 3.3GHz x 4
显卡： 英伟达Geforce GTX 750 （GPU并行运算）
硬盘： 西部数据 1TB
安装Ubuntu 14.04操作系统
制作Ubuntu启动盘（使用软碟通写入到U盘上）；
台式机启动时，选择快捷启动，从U盘启动Ubuntu live cd系统；
安装Ubuntu 14.04操作系统；
安装完毕后重新启动系统；
启动系统，在进入Grub界面时，按e键，进入编辑页面，在倒数第二行中，ro quiet splash后面添加nomodeset，这样进入系统后不会因为独显驱动问题而导致黑屏了；
在进入系统后，编辑文件/boot/grub/grub.cfg文件，搜索ro quiet splash关键词，同样追加nomodeset，这样不用每次启动系统前重复上述步骤了。
安装Theano环境
需要预先安装的工具
这些工具在后面可能会使用到，如编译器等。
sudo apt-get install -y python-dev python-p python-nose gcc g++ git gfortran
安装BLAS, LAPACK, ATLAS
这些软件包必须在安装Numpy和Scipy之前安装
sudo apt-get install -y libopenblas-dev liblapack-dev libatlas-base-dev
在官方教程中使用了apt-get方式安装的，但是貌似我确实在安装后没有通过单元测试，有不少错误产生。尤其是后面安装的SciPy更是如此。可能和我之前没有把需要的工具包安装齐全有关系吧。
# 安装NumPy，这个安装过程需要等待会，因为需要编译，所以得花一点时间。
# 实际上后面安装的SciPy和Theano都会花时间编译的，整个安装过程还是要挺久的。
sudo pip install numpy
# 进行测试。
python -c ' numpy.test()'
必须要保证上面的测试通过，然后再继续下一步，确保每一步都是正确的。没有Errors则通过测试。测试结果如下。
# 安装方法，耐心等待编译吧:)
sudo pip install scipy
# 进行测试
python -c ' scipy.test()'
必须保证scipy也正常通过测试，这样才可以继续安装下面的Theano。测试结果如下图：
安装Theano
# 安装方法，还是要耐心等待编译安装的，感觉比较耗时
sudo pip install Theano
# 开始测试
sudo python -c ' theano.test()'
好吧，我感觉这个步骤中的Theano测试花了好长时间，所以，还是耐心等待吧。最后结果如下。
安装CUDA Toolkit
下载CUDA Toolkit
在安装这个英伟达CUDA Toolkit时，还是遇到了不少问题。以下记录安装过程，详细的说明文档参见英伟达官方提供的Installation Guide for Linux。需要注意的是，该安装文件已经包含了英伟达较新的显卡驱动，所以不用单独安装独显驱动的。
下载CUDA Toolkit
进入CUDA Toolkit下载页面
选择对应的Ubuntu 14.04操作系统，并且选择下载runfile(1.1G)文件，同时记录对应的值，用于校验下载文档有没有损坏
下载GPU Development Kit
下载完成后，最后校验一下下载文件与下载页面提供的文件MD5值是否相同，确保下载到的安装包是完好无损的。
安装一些需要的库
下面都是一些可能需要用到的库，否则在安装CUDA时，可能会提示缺少需要的库文件。
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
值得注意的是，我在我的Ubuntu系统/usr/lib/x86_64-linux-gnu/目录下找到了名为libGLU.so.1.3.1，所以在尝试建立链接到/usr/lib/目录下后，安装Samples时就正常了。
sudo ln -s /usr/lib/x86_64-linux-gnu/libGLU.so.1.3.1 /usr/lib/libGLU.so
首先，将X-Window关闭，然后进入字符界面（如tty1）。关闭X-Window方法：sudo service lightdm stop
接下来，在字符界面中，给下载好的cuda_7.5.18_linux.run以及cuda_352_39_gdk_linux.run添加可执行权限
安装Development Kit：sudo ./cuda_352_39_gdk_linux .run
安装CUDA：sudo ./cuda_7.5.18_linux.run，安装过程直接根据提示进行下去即可
重新启动X-Window：sudo service lightdm start
环境变量设置
在终端中输入下面的命令即可：
echo 'export PATH=/usr/local/cuda-7.5/bin:$PATH' && ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH' && ~/.bashrc
source ~/.bashrc
接下来重启系统，然后开始验证安装的结果。
查看NVCC版本
nvcc -V，输出结果如下：
编译并运行例子
进入到Samples安装目录，然后在该目录下make，等待十来分钟。
编译完成后，可以在Samples里面找到bin/x86_64/linux/release/目录，并切换到该目录
运行deviceQuery程序，查看输出结果如下（重点关注最后一行，Pass表示通过测试）：
运行bandwidthTest程序，查看输出结果如下（同样最后显示结果为PASS）：
这是最后一个环节了，配置Theano使用GPU并行计算，以验证环境搭建是否成功。
首先将下面的测试代码复制到文本中，命名为test.py
from theano import function, config, shared, sandbox
import theano.tensor as T
import numpy
import time
vlen = 10 * 30 * 768
# 10 x #cores x # threads per core
iters = 1000
rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], T.exp(x))
int(f.maker.fgraph.toposort())
t0 = time.time()
for i in xrange(iters):
t1 = time.time()
print(&Looping %d times took %f seconds& % (iters, t1 - t0))
print(&Result is %s& % (r,))
if numpy.any([isinstance(x.op, T.Elemwise) for x in f.maker.fgraph.toposort()]):
print('Used the cpu')
print('Used the gpu')
在用户目录下新建.theanorc配置文件，设置采用GPU替代CPU进行运算：
新建配置文件sudo vi ~/.theanorc
添加如下内容：
floatX=float32
device=gpu
运行test.py测试文件：
首先是默认的使用gpu进行计算，查看运行结果
作为对比，使用cpu进行计算，观察与gpu运算结果差别，从下面的截图中可以看出，使用gpu的运算时间明显短很多
最终还是在Ubuntu 14.04.1系统上将整个开发环境搭建成功了，期间确实走了不少弯路。所以还是要汲取一下教训。
理想情况下，按照很多教程那样，可以很顺利的解决安装的问题。但是安装过程中还是遇到不少问题，所以，重要的是学会解决遇到的问题，还有就是耐心地阅读文档。
Easy Installation of an Optimized Theano on Current Ubuntu，这个是我第一次安装的时候阅读的教程，不过我没有成功，在后面的单元测试时，没有全部通过。
Ubuntu12.04配置NVIDIA cuda5.5经验帖
Theano Tutorial: Using the GPU
Ubuntu 14.04安装Theano详细教程
CUDA: Installation Guide for Linux
CUDA: Quick Start
stackoverflow: Missing recommended library: libGLU.so
优质网站模板& & & &&今天终于买回来了一块算是较好的显卡，渴望已久的GPU加速终于实现了，于是进行了下面的一系列配置。
一、&& 硬件环境信息
& &&& &&台式电脑：ThinkCentre M8400t（i7 3770/32GB/1TB），CPU 3.4GH 四核8线程
& &&& &&显卡：NVIDIA GEFORCE GTX 970
注意：机器原来的显卡是AMD Radeon HD 7450，不支持CUDA加速，所以这次花了点小血本买了一块NVIDIA的显卡（如图A），由于新购的NVIDIA GEFORCE GTX 970显卡功率有W，需要单独供电，而原来的主机电源功率比较弱，所以还一并换了一个的Antec 700W超静音主机电源（如图B）。拿到电源与显卡后，突然发现ThinkCentre
M8400t这款电脑主板也是比较鸡肋，居然是Intel Q77（这款主板的电源线是14P的，如图D），而新电源只支持20P或24P（如图C），顿时石化了。跑遍了中关村电子市场都没有买到20P或24P转14P的转接线，最后在万能的淘宝上面花了15?买到了一根转接线，为主机成功装上了电源和显卡。
图A NVIDIA GEFORCE GTX 970显卡
图B Antec 700W超静音主机电源
图C Antec电源线20P或24P
图D 装好后的整机内部
二、&& 软件环境信息
& &&& &&【1】操作系统：Windows 7 （64位）Professional旗舰版。
& &&& &&【2】Python环境及相关依赖包：Anaconda-1.9.2-Windows-x86_64。
& &&& &&【3】Theano包安装：直接利用pipinstall theano命令即可完成安装。
& &&& &&【4】检查电脑显卡是否支持GPU加速。如果显卡不支持GPU加速，到此就没有必要进行下面两步配置操作了。
& &&& &&【5】C++环境安装：直接安装微软的VisualStudio环境。
& &&& &&【6】并行计算架构安装：直接安装CUDA。
三、&& 详细配置流程
& &&& &&GPU加速环境的配置流程可以简单总结为：配置开始→操作系统安装→Python环境及相关依赖包→Theano包安装→检查显卡是否支持GPU加速→C++环境安装→并行计算架构安装→配置结束，总共可计6个主要步骤。下面就对每个步骤进行详细描述。
【1】&&&& 操作系统安装
& &&& &&一般情况下大家都已经安装了操作系统，这一步基本都不用多大麻烦，这里的配置过程描述均是基于Windows操作系统。但须得注意自己的操作系统是32位还是64位，以下【2】—【6】步骤的配置过程所对应的软件最好是与操作系统的位数保持一致，对于没有保持一致的配置过程没有亲自尝试过。若有同学能够配置成功可以告诉一下。以下的配置过程均是采用的Windows7（64位）Professional旗舰版操作系统。
【2】&&&&&Python环境及相关依赖包安装
& &&& &&目前Python的版本主要分为Python 2.x和Python 3.x，至于这两种版本的区别在此处就不用过多介绍，可以找度娘。
& &&& &&由于Theano采用的Pyhton 2.x进行编写的，所以在这里安装Python环境的时候建议安装Python2.x，至于具体的何种Python 2.x，建议安装较高的2.x即可。除了安装最基本的Python环境，还应该安装一些其他的依赖包以供Theano使用。在安装Python环境极其相关依赖包的过程中，如果一个一个的安装其他依赖包，这样显得较为麻烦，这里建议安装一个Python集成开发包，Python集成开发包种类较多，我这里安装的Anaconda（版本为Anaconda-1.9.2-Windows-x86_64，下载地址：，该地址包含了所有的Anaconda历史版本），用起来没有任何问题，对Theano的支持很好。在安装Anaconda时建议直接安装在盘的根目录下，如D:\Anaconda。
& &&& &&在安装完Python后，打开控制台，输入&&python命令，即可看到所安装Python版本及其相关信息，这表明Python已经正确安装。如果没有看到任何信息，怎添加环境变量path = D:\AD:\Anaconda\Scripts即可。
& &&& &&注意：本人第一次安装了个Anaconda-2.2.0（当时最新版），发现没有MinGW，然后自己另外单独安装了MinGW，但是配置了很久都没有配置成功（如有配置成功的可以告诉我），于是换成了Anaconda-1.9.2版本（自带MinGW）。因为theano的运行需要gcc，所以才会去折腾安装一个MinGW，如果在Linux平台上就不用折腾这一番了。有了Anaconda，其里面的Python包已经足够支持theano的运行了。
【3】&&&&&深度学习框架Theano安装
& &&& &&在确保第【2】步中Python环境已经正确配置后就可以安装Theano了。由于Anaconda中的Python依赖包集中已经有了pip工具包，因此在安装Theano时，只需保证网络畅通的前提下，打开控制台，然后输入&&pipinstall
theano命令并回车，然后稍等片刻即可自动安装上最新版的Theano深度学习框架。这时可到D:\Anaconda\Lib\site-packages目录下查看是否已经有theano和Theano-0.7.0-py2.7.egg-info两个文件夹，若有则表明已经安装成功。一般情况下，这一步不会出错，很容易操作。
& &&& &&安装结束后，检查当前用户目录下是否有.theanorc.txt文件（这是theano的一些初始设置信息文件，如不知道当前用户目录位置，可以打开控制台窗口，该窗口里面第一个命令提示行所示的目录位置就是当前用户目录位置，如图1所示中的C:\Users\Mag即为当前用户目录），如果没有可以手动创建一个，然后在文件里面写入下面内容：
& &&& &&[global]
& &&& &&openmp = False
& &&& &&[blas]
& &&& &&ldflags =
& &&& &&[gcc]
& &&& &&cxxflags = -IC:\MinGW\include
& &&& &&输入完毕后保存.theanorc.txt文件即可。
& &&& &&现在检查theano是否配置成功，只需打开控制台，然后输入：python回车，再输入import theano回车，若没有其他错误信息输出这表明theano配置正确。如下图1所示。
图1 theano配置正确运行截图
& &&& &&注意：我这里由于已经配置好了CUDA，所以输入import theano回车后有信息输出，在没有配置CUDA之前，输入import theano回车后是没有信息输出的。
至此，大家就可以利用theano框架来编写深度学习的代码，在CPU上面运行了。
【4】&&&&&检查电脑显卡是否支持GPU加速
& &&& &&这一步至关重要，在确定了电脑显卡支持GPU加速后，再进行后面【5】【6】步操作，不然费时费力而且还没有结果。就目前而言，似乎只有NVIDIA的GF8级别以上的显卡才能支持physx物理加速（即GPU加速，这里所说的GPU加速均默认是CUDA编程），ATI的显卡不支持。
& &&& &&如何确认自己电脑的GPU是否支持CUDA编程？在设备管理器中找到显示适配器（Display adapters)，找到自己电脑的显卡型号，然后到所示）中进行比对，若在列表中则支持CUDA编程，否则就利用Theano框架所编写深度网络就只能在CPU上面运行了。
图2 支持CUDA编程的显卡型号
【5】&&&&&C++环境安装
& &&& &&在电脑显卡支持GPU加速（即CUDA编程）后，就可以进行【5】和【6】步操作了。
& &&& &&C++环境的安装，建议直接安装一套微软的Visual Studio环境，建议Visual Studio 2010或更高版本。本人安装Visual Studio 2010与Microsoft Visual Studio 2012两个版本，均能够支持CUDA编程。不过MicrosoftVisual Studio 2012，这一版本的VS体积太过于庞大了，完全安装后有10G+。如果大家不从事其他语言开发，可以考虑在安装VS的时候只选择C++，其他语言如VB，C#，F#都可以不用安装（已试过，没有任何问题，因为CUDA只需C++的支持），这样就能够减少硬盘的使用量。至于VS的具体安装过程这里就不再论述了，有问题找度娘。
【6】&&&&&并行计算架构CUDA的安装
& &&& &&在安装CUDA之前最好检查一下自己电脑的显卡驱动版本，版本过老的话，需要更新。有时候安装完毕CUDA之后，运行CUDA所提供的案例程序中的deviceQuery会出错，请优先考虑显卡驱动的问题。这里建议安装NIVDIA官方发布的针对自己显卡型号的驱动。安装CUDA的详细步骤如下：
& &&& &&（1）&&&&&下载NVIDIA& CUDA toolkit，SDK等软件包，由于CUDA 5.0以上版本已经将ToolKit和SDK等整合在一起了，因此只需下载一个安装文件即可。在显卡型号允许的条件下，建议下载CUDA 5.0以上版本，这样比较省事。本人安装的是CUDA
6.5版本。CUDA各版本下载地址：。注意，下载的时候有些版本需要区分desktop（台式机）和
notebook（笔记本）。
& &&& &&（2）&&&&&&下载好了后就可以直接安装了，CUDA的默认安装目录为：C:\Program Files\NVIDIA GPU Computing Toolkit\ 这里推荐使用默认的安装路径，不需更改。安装过程和普通软件没有什么区别。在安装结束时将会出现一个界面（如图3），这表明已经成功安装，从图3可以看出似乎CUDA 6.5至少都需要Visual Studio 2010的C++环境。
图3 CUDA6.5成功安装结束界面
& &&& &&（3）&&&&&检查是否安装正确。在安装结束后，你会发现在系统环境里面新添加了两个环境变量：CUDA_PATH_V5_0和CUDA_PATH。
现在，打开cmd控制台命令行，输入命令nvcc –V回车（注意是大写V哟）就可以参考版本信息，如果安装正确则出现图4所示的结果。
图4 nvcc –V命令执行结果
& &&& &&在测试CUDA是否能够正确运行时，进入到下面所述目录下，双击运行其目录下的.exe程序即可。不同的版本估计运行案例的路径有所差异，不过可以通过搜索关键字“CUDASamples”或者“particles.exe”就能够找到案例所在目录。
& &&& &&&1& WindowsXP平台:
& &&& &&& &&& &&C:\Documents and Settings\All Users\ApplicationData\NVIDIA Corporation\CUDASamples\v5.0\C\bin\win32\Release
& &&& &&&2& WindowsVista, Windows 7, Windows 8, Windows Server 2003, and Windows Server2008平台:
& &&& &&& &&& &&C:\Program Files\NVIDIACorporation\Installer2\CUDASamples_6.5\bin\win64\Release
& &&& &&如果CUDA安装正确，则所有案例都是能够运行的。在本人电脑上，大部分案例都是一闪而过，只有particles.exe这个案例才能看得到绚丽的动画，如图5所示。
图5 particles.exe案例运行结果
& &&& &&（4）&&&&&如果案例运行正确，可以考虑手动配置环境变量。在系统环境变量中新建如下项（针对win32平台上的CUDA 5.0）：
& &&& &&CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDASamples\v5.0\common
& &&& &&CUDA_LIB_PATH = %CUDA_PATH%\lib\Win32
& &&& &&CUDA_BIN_PATH = %CUDA_PATH%\bin
& &&& &&CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\Win32
& &&& &&CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\Win32
& &&& &&然后在系统环境变量Path 后添加内容：;%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%
& &&& &&当然不同版本的CUDA，估计路径有所差异，上述配置信息是win32版本的CUDA，仅仅作为参考。本人在配置过程中，没有进行这一步手动配置环境变量。
& &&& &&（5）&&&&&CUDA配置结束。若以上案例都运行正常，说明CUDA安装成功。现在就可以利用Theano框架编写深度学习代码，并将代码进行GPU加速了。
【7】&&&& 测试Theano框架是否可以利用所安装的CUDA6.5进行GPU加速
& &&& &&在前面第【2】步中，已经通过安装Anaconda将python环境装好，其中Anaconda本身自带了一个称作Spyder的图形界面IDE（如图6所示）。在进行Theano GPU加速测试之前，还得需要配置一下.theanorc.txt文件里面的信息，红色字体信息是为了实现GPU加速而增加的配置信息，如下：
& & & &&[global]
& & & &&openmp = False
& & & &&device = gpu
& & & &&floatX = float32
& & & &&allow_input_downcast=True
& & & &&[blas]
& & & &&ldflags =
& & & &&[gcc]
& & & &&cxxflags = -IC:\MinGW\include
& & & &&[nvcc]
& & & &&flags = -LC:\Anaconda\libs& &&#此处一定要和你安装的Python的路径保持一致
& & & &&compiler_bindir = D:\Program Files(x86)\Microsoft Visual Studio 10.0\VC\bin &&#此处一定要和你安装的VS的路径保持一致
& & & &&fastmath = True
& & & &&flags =& -arch=sm_30& &&#这里最初设置为sm_52报错，后设为30或50都没问题，不清楚这是干啥的，有谁知道了可以告诉我
& &&& &&现在可以启动Spyder，输入表1中的Theano GPU加速测试案例代码并运行，将会出现图7所示的运行结果，其中有一条“Used the gpu”信息输出，表明Theano GPU加速测试成功。
图6 Anaconda自带Python图形界面IDE
fromtheanoimport function, config, shared, sandbox
importtheano.tensorasT
importnumpy
importtime
vlen =<span style="color:#*<span style="color:#*<span style="color:#8&#
10 x #cores x # threads per core
iters =<span style="color:#00
rng = numpy.random.RandomState(<span style="color:#)
x = shared(numpy.asarray(rng.rand(vlen),
config.floatX))
f = function([], T.exp(x))
print f.maker.fgraph.toposort()
t0 = time.time()
for iinxrange(iters):
&&& r= f()
t1 = time.time()
print'Looping%d times took'%
iters, t1- t0,'seconds'
print'Result is', r
if numpy.any([isinstance(x.op,
T.Elemwise)for xin
f.maker.fgraph.toposort()]):
&&& print'Used the cpu'
&&& print'Used the gpu'
表1 Theano GPU加速测试代码
图7 Spyder IDE
【8】&&&&&到此，基于CUDA的Theano GPU加速环境已经配置成功。
四、&&&测试GPU加速与没有GPU加速时的算法执行速度
& &&& &&利用Theano框架构建一个深度网络，其层次结构为：Layers = [784, , 500, 10]；训练配置：Input_Layer =784，Out_Put = 10，Batch_Size = 500，Epoch = 150，网络每一层详细训练速度对比如表2所示。
无GPU加速（单位：分钟）
有GPU加速（单位：分钟）
加速比（单位：倍）
预训练（Pre-training）
全局调优（Finetunning）
[784, , 500, 10]
表2 GPU加速对比
五、&&&总结
& &&& &&GPU加速果然名不虚传，终于找到提升算法速度的又一大神器啊….
本文已收录于以下专栏：
相关文章推荐
工具：支持CUDA的显卡（安装cuda6.5），VS2013，Anaconda。
1.安装cuda6.5
这个不详细介绍，网上有许多文章。注意选择你对应的系统（我的是windows8.1 64位版，D...
本教程适合最初学习者，高手勿喷。原文地址：http://blog.csdn.net/niuwei22007/article/details/Ubuntu15.10 64bit成功安装T...
/chenbjin/p/5021314.html?utm_source=tuicool&utm_medium=referral
之前学习了...
1. 显示当前GPU使用情况
Nvidia自带了一个nvidia-smi的命令行工具，会显示显存使用情况：
$ nvidia-smi11
输出：&#160;
2. 周期性输出GPU使用情...
requirements
python 2.7
tensorflow GPU 版本
安装nvidia driver经过不断踩坑的安装，终于google到了靠谱的方法，首先检查你的NVIDI...
~~~~~~~我们用 Keras 提供的 LSTM 层构造和训练一个 many-to-one 的 RNN。 网络的输入是一句话，输出是一个情感值（积极或消极）。 所用数据是来自 Kaggle 的情感分...
本文使用日下载的caffe-master版本，运行平台为：Ubuntu 15.04/16.04，CUDA7.5/8，cuDNN v5.1，Intel Parallel Studio ...
经过了3天的摸索，尝试了网上的各种方法，重装了N遍ubuntu，今天终于装好了，记录下来，与自己或者有需要的朋友一起分享。　　介绍一下我的环境：GTX425M，笔记本win7_64+ubuntu15....
缘由GPU可以极大的加速运算，特别是图像的运算。所以做图像处理不能不用。
那么就开始配置把。在配置的过程中走了很多弯路。报了很多错误，终于配成功了。测试GPU是否正常运行使用官方给的代码from t...
他的最新文章
讲师：王哲涵
讲师：韦玮
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)今天感觉至少做成了一件事，心情不错！
Nvidia官网给出的兼容性情况：
大致来说：
Theano0.8的安装通过Anaconda然后pip install theano，细节参照Theano的官方文档 ，只要能import theano成功就可以了（或者把文档中的一个sample跑通也可以）。
CUDA直接在下载，照着官方的安装提示一步步来就行，没什么坑。 安装完后可以在cmd下看一下版本（输入nvcc -V回车即可），然后运行C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\1_Utilities\deviceQuery 下的VS工程文件（参见），编译运行后应该是输出电脑的GPU设备信息等，这就说明CUDA安装成功了！
然后是调用GPU，也是按照先前给的Theano官方文档去做。主要就是新建一个.theanorc.txt（里面的内容找着网上的填就行），然后需要gcc的编译器，我是用了mingw。
我先前由于没有配好VS2015的环境，总是没办法用上GPU，后来参照一些博客如：
，，具体来说要配置成能够再cmd下直接用cl命令来编译链接.c和.cpp文件。
在此过程中有一个坑，就是配置环境时，添加的PATH、INCLUDE、LIB变量要统一成32位或者64位，我当初PATH设置成（VS安装路径）…/VC/bin （该路径下的cl.exe其实是32位的），而INCLUDE和LIB都是用的x64的，结果一直报错，后来PATH改成了（VS安装路径）…/VC/bin/x86_amd64 才成功。
最后运行Theano官网给出的，速度比单纯使用CPU提升15倍！
本文已收录于以下专栏：
相关文章推荐
本blog记录了在windows10下配置theano的过程，以便以后有需要的情况下查找。
首先说明配置的环境：
1.win10 64bit
3.Anaconda2 64bit
本文参考了网络上其它文档，具体不再一个个致谢，前辈们都是强大的指明灯！根据自己的具体情况进行了修改或勘误，血泪之作，仅供菜鸟借鉴使用，注意，菜鸟，高手就不要瞎BB了。
（明明很简单的事情，但是作为新...
CUDA是NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，CUDA只支持NVIDIA自家的显卡，过旧的版本型号也不被支持。
下载地址：https://dev...
万用教程：/entry/97435
VS2015 + Visual Assist X下载：/s/1k18se
在网上参考了各位前辈的攻略后，捣鼓了两天总算配置成功了。目前网上多的还是ubuntu上配置CUDA的教程比较多比较详尽，但是我现在就是想在windows10上跑啊，就是想用CUDA啊。。。1.CUDA...
1.VS2013 + CUDA7.5 安装和配置1.1 CUDA 7.5 安装
1.cuda官方下载网址，目前最新版本为cuda7.5，选择自己系统对应的版本下载安装程序。
2.运行cuda_ 7.5...
cl.exe和link.exe分别是visual studio IDE中的编译器和链接器，就像linux中的gcc编译器会用到环境变量去完成工作（include路径与lib路径等）一样，它们在工作时
...
一、查看计算机对OpenCL异构计算的支持情况使用 GPU Caps Viewer 查看计算机对OpenCL的支持情况，目前最新的版本是
gpu-caps-viewer-1-32-0， 下载地址：...
1 什么是回调
软件模块之间总是存在着一定的接口，从调用方式上，可以把他们分为三类：同步调用、回调和异步调用。同步调用是一种阻塞式调用，调用方要等待对方执行完毕才返回，它是一种单向调用；回调是一种双...
安装office2013后，打开word或其他若报如下错：
&#160; &#160; &#160; &#160;
解决方案：
从/files/KnowledgeBase/file/dlls.zip下...
他的最新文章
讲师：王哲涵
讲师：韦玮
您举报文章：
举报原因：
原文地址：
原因补充：
(最多只允许输入30个字)}