[PYTHON] Installieren Sie CUDA 8.0 und Chainer unter Ubuntu 16.04

Es gibt eine Möglichkeit, das CUDA Toolkit mithilfe von nvidia-docker zu verwalten, aber dieses Mal habe ich das CUDA Toolkit direkt installiert, ohne es zu verwenden.

Umgebung

• Ubuntu16.04 64bit
• Core i5
• GeForce 940M

Was vorzubereiten?

1. CUDA toolkit
2. cuDNN
3. Treiber (Wählen Sie entsprechend Ihrer Umgebung entsprechend aus.)

Ich habe runfile (cuda_8.0.44_linux.run) verwendet, um das CUDA Toolkit zu installieren.

Installationsverfahren

1. Installieren Sie den Treiber

Wenn Secure Boot aktiviert ist, deaktivieren Sie es vorher. Gehen Sie mit Strg + Alt + F1 zu tty1 und installieren Sie den Befehl und den Treiber nvidia-smi. Unterwegs werden Sie gefragt, ob Sie die X11-Einstellungen neu schreiben möchten. Wenn Sie es neu schreiben, wird der Bildschirm nicht angezeigt. Wir empfehlen daher, es nicht neu zu schreiben. Bitte starten Sie nach Abschluss der Installation einmal neu.

sudo service lightdm stop  #Lassen Sie X11 fallen
sudo ./NVIDIA-Linux-x86_64-<version>.run  # nvidia-Der Befehl smi sollte installiert sein
sudo reboot

Wenn die Ausgabe des Befehls nvidia-smi so aussieht, wurde die GPU erkannt.

$nvidia-smi                           
Mon Aug 15 15:31:22 2016       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 361.77                 Driver Version: 361.77                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce 940M        Off  | 0000:01:00.0     Off |                  N/A |
| N/A   59C    P0    N/A /  N/A |    254MiB /  2003MiB |      8%      Default |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID  Type  Process name                               Usage      |
|=============================================================================|
|    0      4105    G   /usr/lib/xorg/Xorg                             165MiB |
|    0      4988    G   fcitx-qimpanel                                   7MiB |
|    0      5310    G   ...ves-passed-by-fd --v8-snapshot-passed-by-    67MiB |
|    0      5598    G   ...DocWrittenScriptsInMainFrame --force-fiel    13MiB |
+-----------------------------------------------------------------------------+

Wenn es instabil ist, funktioniert die Installation des Treibers mit "apt-get" möglicherweise. Wir empfehlen es jedoch nicht, da das System versucht, X11 auf einer GPU auszuführen, und der Betrieb von X11 instabil wird.

sudo apt-get install nvidia-361
sudo reboot

2. Installieren Sie das CUDA-Toolkit

Führen Sie den folgenden Befehl auf tty1 aus. __Hinweis: Sie werden gefragt, ob Sie den Treiber installieren möchten, wenn Sie runfile ausführen, aber installieren Sie ihn hier nicht. __ __

sudo service lightdm stop
sudo ./cuda_8.0.44_linux.run --override  #Hinweis:Installieren Sie den Treiber hier nicht

In Ubuntu 16.04 scheint sich die gcc-Version von der von CUDA empfohlenen zu unterscheiden, aber ich habe das Toolkit mit der Option "--override" zwangsweise installiert. Wenn die Installation erfolgreich ist, sollte / usr / local / cuda-8.0 vorhanden sein.

Wenn Sie Probleme beim Ausführen von Chainer haben, installieren Sie gcc 5.2 und versuchen Sie es erneut

sudo service lightdm stop
sudo ./cuda_8.0.44_linux.run  #Hinweis:Der Treiber ist hier nicht installiert. gcc5.Installieren Sie 2 im Voraus.

Bitte.

3. Installieren Sie cuDNN

Erweitern Sie cuDNN und kopieren Sie die Datei.

tar xvf cudnn-8.0-linux-x64-v5.1.tgz
sudo cp cuda/include/* /usr/local/cuda-8.0/include
sudo cp cuda/lib64/* /usr/local/cuda-8.0/lib64

Fügen Sie dies zu .bashrc und source ~ / .bashrc hinzu.

export CUDA_PATH=/usr/local/cuda-8.0
export PATH=$CUDA_PATH/bin:$PATH
export LD_LIBRARY_PATH=$CUDA_PATH/lib64:$LD_LIBRARY_PATH

export CPATH=$CUDA_PATH/include:$CPATH
export LIBRARY_PATH=$CUDA_PATH/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=$CUDA_PATH/lib64:$LD_LIBRARY_PATH

4. Installieren Sie den Chainer

Es wird normalerweise mit pip3 eingefügt.

sudo pip3 install chainer

5. Funktionsprüfung

Wenn der "Import Cupy" erfolgreich ist, ist er erfolgreich.

$python3
>>> import cupy

Das im Chainer-Quellcode enthaltene MNIST-Beispiel funktioniert ebenfalls.

git clone [email protected]:pfnet/chainer.git
cd chainer/examples/mnist     
python3 train_mnist.py --gpu=0

6. Informationen zum Kernel-Update

Wenn der Kernel aktualisiert wird, ist der Treiber nicht mehr verfügbar. Wenn ein neuer Kernel installiert ist, installieren Sie bitte den Treiber von 1 erneut.