Ich habe eine Chainer-Umgebung erstellt, die CUDA und cuDNN auf p2.xlarge von AWS verwenden kann.
Ich habe die folgende Version verwendet. (Zum Zeitpunkt der Implementierung)
| version | |
|---|---|
| OS | Ubuntu14.04 |
| pyenv | 1.0.8 |
| Anaconda | 4.3.0 |
| python | 3.6.2 |
| CUDA | 8.0 |
| cuDNN | v5.1 |
| Chainer | 1.2.21 |
sudo apt-get install -y git gcc make openssl libssl-dev libbz2-dev libreadline-dev libsqlite3-dev
Informationen zur Installation von pyenv finden Sie im Folgenden. http://qiita.com/y__sama/items/5b62d31cb7e6ed50f02c
git clone https://github.com/yyuu/pyenv.git ~/.pyenv
echo 'export PYENV_ROOT="$HOME/.pyenv"' >> ~/.bashrc
echo 'export PATH="$PYENV_ROOT/bin:$PATH"' >> ~/.bashrc
echo 'eval "$(pyenv init -)"' >> ~/.bashrc
source ~/.bashrc
Informationen zur Installation von Anaconda finden Sie im Folgenden. http://qiita.com/y__sama/items/5b62d31cb7e6ed50f02c
pyenv install -l | grep anaconda
pyenv install anaconda3-4.3.0
pyenv rehash
pyenv global anaconda3-4.3.0
echo 'export PATH="$PYENV_ROOT/versions/anaconda3-4.3.0/bin/:$PATH"' >> ~/.bashrc
source ~/.bashrc
conda update conda
python --version
wget https://developer.nvidia.com/compute/cuda/8.0/Prod2/local_installers/cuda-repo-ubuntu1404-8-0-local-ga2_8.0.61-1_amd64-deb
sudo dpkg -i cuda-repo-ubuntu1404-8-0-local-ga2_8.0.61-1_amd64-deb
sudo apt-get update
sudo apt-get install cuda -y
echo 'export CUDA_HOME=/usr/local/cuda' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:${CUDA_HOME}/lib64' >> ~/.bashrc
echo 'export PATH=$PATH:${CUDA_HOME}/bin' >> ~/.bashrc
Wird separat von der NVIDIA-Site bezogen.
mkdir .cudnn
tar xvzf ./cudnn-8.0-linux-x64-v5.1.tgz
mv ./cuda ./.cudnn
mv ./.cudnn/cuda ./.cudnn/5.1
sudo ln -s ~/.cudnn/5.1/include/cudnn.h /usr/local/cuda/include/cudnn.h
sudo ln -s ~/.cudnn/5.1/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
pip install chainer
mkdir mnist
wget https://raw.githubusercontent.com/pfnet/chainer/master/examples/mnist/train_mnist.py ./mnist
#Verwenden Sie eine GPU
time python ./mnist/train_mnist.py -g 0 -e 10
#GPU nicht verwendet
time python ./mnist/train_mnist.py -g -1 -e 10
Wenn es einen Unterschied in der Ausführungszeit gibt, ist dies erfolgreich.
Recommended Posts