如何在Ubuntu 14.04 x64上安装Theano，并将其配置为使用GPU？

我尝试按照上的说明进行操作，但无效：每当我使用GPU运行Theano脚本时，它都会向我显示错误消息：

已安装CUDA，但设备gpu不可用（错误：无法获取可用gpu的数量：未检测到支持CUDA的设备）

---

更具体地说，按照链接网页中的说明，我执行了以下步骤：

# Install Theano
sudo apt-get install python-numpy python-scipy python-dev python-pip python-nose g++ libopenblas-dev git
sudo pip install Theano

# Install Nvidia drivers and CUDA
sudo apt-get install nvidia-current
sudo apt-get install nvidia-cuda-toolkit

然后我重新启动并尝试运行：

THEANO_FLAGS=mode=FAST_RUN,device=gpu,floatX=float32 python gpu_test.py # gpu_test.py comes from http://deeplearning.net/software/theano/tutorial/using_gpu.html

但我得到：

f@f-Aurora-R4:~$ THEANO_FLAGS=’mode=FAST_RUN,device=gpu,floatX=float32,cuda.root=/usr/lib/nvidia-cuda-toolkit’ python gpu_test.py WARNING (theano.sandbox.cuda): CUDA is installed, but device gpu is not available (error: Unable to get the number of gpus available: no CUDA-capable device is detected) [Elemwise{exp,no_inplace}(<TensorType(float32, vector)>)] Looping 1000 times took 2.199992 seconds Result is [ 1.23178029 1.61879337 1.52278066 ..., 2.20771813 2.29967761 1.62323284] Used the cpu

f@f-Aurora-R4:~$THEANO_FLAGS='mode=FAST_RUN，device=gpu，floatX=float32，cuda.root=/usr/lib/nvidia cuda toolkit'python gpu_test.py WARNING（THEANO.sandbox.cuda）：cuda已安装，但设备gpu不可用（错误：无法获取可用的gpu数量：未检测到支持cuda的设备）[Elemwise{exp，no_inplace}（）]循环1000次耗时2.199992秒结果是[1.23178029 1.61879337 1.52278066…，2.20771813 2.29967761 1.62323284]使用了cpu

（我在Ubuntu 14.04.4 LTS x64和Kubuntu 14.04.4 LTS x64上测试了以下内容，我想它应该适用于大多数Ubuntu变体）

安装Theano和配置GPU（CUDA） 官方网站上的说明已经过时了。相反，您可以使用以下说明（假设新安装的Kubuntu 14.04 LTS x64）：

此时，运行

nvidia smi

应该可以工作，但运行

nvcc

不会工作

# Execute in console, or (add in ~/.bash_profile then run "source ~/.bash_profile"):
export PATH=/usr/local/cuda-7.5/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH

此时，

nvidia smi

和

nvcc

都应该可以工作

要测试Theano是否能够使用GPU，请执行以下操作：

在

gpu\u test.py

中复制粘贴以下内容：

# Start gpu_test.py
# From http://deeplearning.net/software/theano/tutorial/using_gpu.html#using-gpu
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))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in xrange(iters):
    r = f()
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')
else:
    print('Used the gpu')
# End gpu_test.py

然后运行它：

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32' python gpu_test.py

应返回：

f@f-Aurora-R4:~$ THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32' python gpu_test.py
Using gpu device 0: GeForce GTX 690
[GpuElemwise{exp,no_inplace}(<CudaNdarrayType(float32, vector)>), HostFromGpu(GpuElemwise{exp,no_inplace}.0)]
Looping 1000 times took 0.658292 seconds
Result is [ 1.23178029  1.61879349  1.52278066 ...,  2.20771813  2.29967761
  1.62323296]
Used the gpu

例如：

username@server:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2015 NVIDIA Corporation
Built on Tue_Aug_11_14:27:32_CDT_2015
Cuda compilation tools, release 7.5, V7.5.17

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,optimizer_including=cudnn' python gpu_test.py

---

添加cuDNN 要添加cuDNN（来自的说明）：

从下载cuDNN（需要注册，免费）

tar-xvf cudnn-7.0-linux-x64-v3.0-prod.tgz

执行以下操作之一

选项1：将

*.h

文件复制到

CUDA_ROOT/include

，将

*.so*

文件复制到

CUDA_ROOT/lib64

（默认情况下，

CUDA_ROOT

在Linux上是

/usr/local/CUDA

）

备选案文2：

export LD_LIBRARY_PATH=/home/user/path_to_CUDNN_folder/lib64:$LD_LIBRARY_PATH
export CPATH=/home/user/path_to_CUDNN_folder/include:$CPATH
export LIBRARY_PATH=/home/user/path_to_CUDNN_folder/lib64:$LD_LIBRARY_PATH

默认情况下，Theano将检测是否可以使用cuDNN。如果是，它将使用它。如果不是，Theano优化将不会引入cuDNN ops。因此，如果用户没有手动引入，Theano仍然有效

若要在Theano无法使用cuDNN时获取错误，请使用此Theano标志：

optimizer\u include=cuDNN

例如：

username@server:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2015 NVIDIA Corporation
Built on Tue_Aug_11_14:27:32_CDT_2015
Cuda compilation tools, release 7.5, V7.5.17

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,optimizer_including=cudnn' python gpu_test.py

要了解您的cuDNN版本：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

---

添加CNMeM 是一个“帮助深度学习框架管理CUDA内存的简单库”

要与ano一起使用，您需要添加

lib.cnmem

标志。例如：

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,lib.cnmem=0.8,optimizer_including=cudnn' python gpu_test.py

OMP_NUM_THREADS=4 python gpu_test.py 

脚本的第一个输出应该是：

Using gpu device 0: GeForce GTX TITAN X (CNMeM is enabled with initial size: 80.0% of memory, cuDNN 5005)

lib.cnmem=0.8

意味着它最多可以使用80%的GPU

据报道，CNMeM提供了一些有趣的速度改进，并得到了Theano、Torch和Caffee的支持

:

速度取决于许多因素，如形状和模型本身。速度从0提高到2倍

:

如果您不更改Theano标志allow_gc，您可以期望GPU上的速度提高20%。在某些情况下（小型机型），我们看到速度提高了50%

---

在多个CPU核上运行Theano 作为补充说明，您可以使用在多个CPU核上运行Theano。例如：

THEANO_FLAGS='mode=FAST_RUN,device=gpu,floatX=float32,lib.cnmem=0.8,optimizer_including=cudnn' python gpu_test.py

OMP_NUM_THREADS=4 python gpu_test.py 

该脚本输出有关使用哪个BLAS的信息：

cd [theano_git_directory]
OMP_NUM_THREADS=4 python theano/misc/check_blas.py

---

要运行Theano的测试套件，请执行以下操作：

nosetests theano

或

共同问题：

---

@talonmies感谢您的编辑，但为什么要投反对票呢？@talonmies我想是巧合吧。糟糕的是，下议院的选民通常不发表评论，我很高兴知道我是否做了一些明显不正确的事情。我猜投票结束下议院的人也投了票。这是其中一个问题与编程无关的情况。但它可能不适合其他更好的地方（例如ServerFault），所以我认为您不可能/不应该做任何不同的事情。@DanielRenshaw配置库也在这个主题上。但少数选民/关系密切者有时会忘记这一点。

sudo pip install nose-parameterized
import theano
theano.test()