Linux環境下搭建DeepNet深度學習架構__Linux

來源:互聯網
上載者:User

由於實驗室的項目需求,需要使用RBM(受限制玻爾茲曼機)、DBN(深信度網路)等深度學習的網路模型,於是學習和使用了Toronto大學提供的DeepNet深度學習架構。
DeepNet是Toronto大學的Nitish Srivastava博士開發的一款利用Python實現基於GPU的一些深度學習演算法的架構,主要包括以下深度學習演算法:
1.Feed-forward Neural Nets
2.Restricted Boltzmann Machines
3.Deep Belief Nets
4.Autoencoders
5.Deep Boltzmann Machines
6.Convolutional Neural Nets

該架構的實現需要cudamat和cuda-convnet的支援。
以下將在Linux環境下搭建DeepNet深度學習架構的過程分享給大家。

1.Linux版本是Ubuntu16.04。

2.下載安裝Python。
Python使用的是Anaconda2 4.4.1,因為它整合了許多Python關於計算的第三方庫,使用起來非常方便,將Anaconda2的環境變數添加到~/.bashrc檔案中去。

cd /home/pbvi ./bashrc
在最下行添加
export PATH="/home/pb/anaconda2/bin:$PATH"

3.CUDA安裝。
我們的GPU是GTX1080,官網上下載CUDA8.0,下載地址:https://developer.nvidia.com/cuda-toolkit,安裝好CUDA toolkit和SDK之後,將相關的環境變數添加到~/.bashrc檔案中去。
export CUDA_BIN=/usr/local/cuda-8.0/binexport CUDA_LIB=/usr/local/cuda-8.0/lib64export PATH=${CUDA_BIN}:$PATHexport LD_LIBRARY_PATH=${CUDA_LIB}:$LD_LIBRARY_PATH

4.Google Protocol Buffers安裝。
我們使用的是release版本,地址為https://github.com/google/protobuf/releases,找到相應版本,我們使用的是protoc-3.1.0-linux-x86_64.zip。下載解壓後,將bin目錄下的protoc放到/usr/local/bin/,將include目錄下的google檔案夾放到/usr/local/inculde/。然後將相關的環境變數添加好。
export PATH="/usr/local/bin:$PATH"
測試protocol buffers有沒有安裝好可以使用以下命令:
protoc -version
會出現:
libprotoc 3.1.0

5.基本的環境變數已經配置好,現在下載DeepNet,下載地址:https://github.com/nitishsrivastava/deepnet
下載解壓後包含三個檔案夾:cudamat,deepnet,eigenmat
其中deepnet檔案夾中包含了訓練、可視化以及基本網路和相應的層等Python代碼。
eigenmat檔案夾中主要檔案是eigenmat.cc,當訓練時使用的是CPU時,模型調用eigenmat。
cudamat檔案夾中主要檔案是cudamat.cu,當訓練時使用的是GPU是,模型調用cudamat。
具體內容將在以後的文章中提出。

6.編譯cudamat。
cd cudamatmake

7.編譯eigenmat。
需要安裝eigen,官網下載解壓到根目錄下,添加相應環境變數,然後再到/eigenmat目錄中,make就好了。使用CPU的需要進行此步,因為我們使用的是GPU,沒有用到CPU,因此跳過此步。

8.添加DeepNet相應的環境變數。
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$/home/pb/deepnet-master/cudamatexport PYTHONPATH=$PYTHONPATH:/home/pb/deepnet-master
如果使用CPU,還需要將eigenmat目錄添加到環境變數中。

9.測試DeepNet。
下載MNIST資料集,下載地址:http://www.cs.toronto.edu/~nitish/deepnet/mnist.tar.gz
cd到deepnet/deepnet/examples目錄下運行:
python setup_examples.py <path to mnist dataset> <output path>
這句話主要是配置資料集的路徑以及輸出路徑,然後進入到/deepnet/examples中的任意一個檔案夾,如/home/pb/deepnet-master/deepnet/examples/rbm中執行:
./runall.sh
這就開始訓練RBM模型了。



聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。

A Free Trial That Lets You Build Big!

Start building with 50+ products and up to 12 months usage for Elastic Compute Service

  • Sales Support

    1 on 1 presale consultation

  • After-Sales Support

    24/7 Technical Support 6 Free Tickets per Quarter Faster Response

  • Alibaba Cloud offers highly flexible support services tailored to meet your exact needs.