Ubuntu14.04配置cuda-convnet
转载请注明：http://blog.csdn.net/stdcoutzyx/article/details/39722999
在上一个链接中，我配置了cuda，有强大的GPU，自然不能暴殄天物，让资源白白空暇着，所以配置一下卷积神经网络跑一下程序喽。至于卷积神经网络的原理，容后再写。打算先写库的使用方法，再写原理，以行动带动对理论的追求。
话不多说，步入正题。
1. 预说明
关于cuda-convnet，起源于一篇经典论文①，论文中针对ILSVRC-2010的数据进行实验，然后发布了事实上验使用的代码，链接为②。可是，事实往往跟论文是有差距的，链接②中的代码根本不能重现论文中的结果。在下不才，在使用这个链接的库非常久之后才发现的，认为非常坑，希望后来者慎之。
之所以说它坑，首先，论文中提到特性中，multi-GPU和dropout就没有实现，并且也没有给出论文中8层卷积神经网络的配置文件。总之不能直接拿来用，须要自己探索。
尽管如此，但有总比没有好，毕竟这个库实现的卷积神经网络封装的非常好，论文中的大神的贡献非我等小菜所能企及的。给大神点32个赞。
本文仅仅对cuda-convnet和cuda-convnet2的配置进行说明，论文中的作者还发布了其它版本号的库，尚未用到，故且按下不提。
2. Cuda-convnet配置
2.1. 源代码下载
參考链接②，先将源代码下载下来。
svn checkout http://cuda-convnet.googlecode.com/svn/trunk/ cuda-convnet-read-only
取出的版本号是562。
2.2. 安装必要的库
然后，安装必须的库，我使用的是ubuntu系统。所以命令为
sudo apt-get install python-dev python-numpy python-magic python-matplotlib libatlas-base-dev
当然，还要确认你安装了cuda，我安装的是cuda6.5，在/usr/local/文件夹下，例如以下所看到的：
$ ls /usr/local bin cuda cuda-6.5 etc games include lib man sbin share src
2.3. 更改build.sh
进入到刚才下载的cuda-convnet-read-only文件夹，更改build.sh文件里的配置路径。例如以下所看到的：
# CUDA toolkit installation directory. export CUDA_INSTALL_PATH=/usr/local/cuda # CUDA SDK installation directory. export CUDA_SDK_PATH=/usr/local/cuda-6.5/samples/common/inc # Python include directory. This should contain the file Python.h, among others. export PYTHON_INCLUDE_PATH=/usr/include/python2.7 # Numpy include directory. This should contain the file arrayobject.h, among others. export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy # ATLAS library directory. This should contain the file libcblas.so, among others. export ATLAS_LIB_PATH=/usr/lib/atlas-base make $*
依照官网的教程，配置完build.sh后就能够进行编译了。可是会错误发生，还须要改例如以下几个地方才干够。
2.4. 头文件加入
直接编译会发生找不到cutil_inline.h头文件的错误。分析原因可能是原来有这个头文件，后来这个头文件的功能被实现到其它头文件里去了。
在include子目录下田间cutil_inline.h文件，并输入内容。
#include "helper_cuda.h" #define cutilCheckMsg(a) getLastCudaError(a) #define cutGetMaxGflopsDeviceId() gpuGetMaxGflopsDeviceId() #define MIN(a,b) (a) < (b) ? (a) : (b)
2.5. MakeFile文件更改
MakeFile第3行，原文例如以下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
加入cuda的路径后例如以下：
INCLUDES := -I$(PYTHON_INCLUDE_PATH) -I$(NUMPY_INCLUDE_PATH) -I$(CUDA_SDK_PATH) -I./include -I./include/common -I./include/cudaconv2 -I./include/nvmatrix
保存之。
2.6. 最后的库链接错误
做完上述修改后，能够编译了，但到最后会发生一个库链接的错误，不用管，直接将那个库凝视掉。
在common-gcc-cuda-4.0.mk文件的332行。直接用#号凝视。
# LIB += -lcutil_$(LIB_ARCH) $(LIBSUFFIX) -lshrutil_$(LIB_ARCH) $(LIBSUFFIX)
至此，就能够完毕cuda-convnet的编译了。
3. Cuda-convnet2配置
顾名思义，这是cuda-convnet的2.0版本号，支持多GPU执行。
3.1. 源代码下载
git clone https://code.google.com/p/cuda-convnet2/
3.2. 必要的库
sudo apt-get install python-dev python-numpy python-scipy python-magic python-matplotlib libatlas-base-dev libjpeg-dev libopencv-dev
3.3. 配置
我仅仅能说，这个版本号的比上个版本号人性化多了，这个版本号的build.sh直接如此。
# CUDA toolkit installation directory. export CUDA_INSTALL_PATH=/usr/local/cuda # Python include directory. This should contain the file Python.h, among others. export PYTHON_INCLUDE_PATH=/usr/include/python2.7 # Numpy include directory. This should contain the file arrayobject.h, among others. export NUMPY_INCLUDE_PATH=/usr/lib/python2.7/dist-packages/numpy/core/include/numpy/ # ATLAS library directory. This should contain the file libcblas.so, among others. export ATLAS_LIB_PATH=/usr/lib/atlas-base # You don't have to change these: export LD_LIBRARY_PATH=$CUDA_INSTALL_PATH/lib64:$LD_LIBRARY_PATH export CUDA_SDK_PATH=$CUDA_INSTALL_PATH/samples export PATH=$PATH:$CUDA_INSTALL_PATH/bin
假设是在ubuntu下的话，这样就直接已经基本把路径都配置对了。
3.4. 链接错误
可是直接编译的话还是会遇到错误，例如以下所看到的：
cd ./bin/ && g++ -O3 -DNUMPY_INTERFACE -shared -Wl,-no-undefined -o libutilpy.so src/matrix.o -L/usr/lib/atlas-base -latlas -lcblas -lpython2.7 /usr/bin/ld: cannot find -latlas /usr/bin/ld: cannot find -lcblas collect2: error: ld returned 1 exit status
主要是由于atlas库中没有libatlas.so和libctlas.so。查看atlas的文件夹发现结构如此：
:/usr/lib/atlas-base$ ls -l 总用量 4292 drwxr-xr-x 2 root root 4096 9月 22 11:41 atlas lrwxrwxrwx 1 root root 15 2月 4 2014 libatlas.so.3 -> libatlas.so.3.0 -rw-r--r-- 1 root root 3746968 2月 4 2014 libatlas.so.3.0 lrwxrwxrwx 1 root root 15 2月 4 2014 libcblas.so.3 -> libcblas.so.3.0 -rw-r--r-- 1 root root 135376 2月 4 2014 libcblas.so.3.0 lrwxrwxrwx 1 root root 17 2月 4 2014 libf77blas.so.3 -> libf77blas.so.3.0 -rw-r--r-- 1 root root 131000 2月 4 2014 libf77blas.so.3.0 lrwxrwxrwx 1 root root 22 2月 4 2014 liblapack_atlas.so.3 -> liblapack_atlas.so.3.0 -rw-r--r-- 1 root root 369472 2月 4 2014 liblapack_atlas.so.3.0
加入两个软链接，运行命令：
sudo ln -s libatlas.so.3.0 libatlas.so sudo ln -s libcblas.so.3.0 libcblas.so
文件夹结构变为如此：
/usr/lib/atlas-base$ ls -l 总用量 4292 drwxr-xr-x 2 root root 4096 9月 22 11:41 atlas lrwxrwxrwx 1 root root 15 10月 1 22:35 libatlas.so -> libatlas.so.3.0 lrwxrwxrwx 1 root root 15 2月 4 2014 libatlas.so.3 -> libatlas.so.3.0 -rw-r--r-- 1 root root 3746968 2月 4 2014 libatlas.so.3.0 lrwxrwxrwx 1 root root 15 10月 1 22:36 libcblas.so -> libcblas.so.3.0 lrwxrwxrwx 1 root root 15 2月 4 2014 libcblas.so.3 -> libcblas.so.3.0 -rw-r--r-- 1 root root 135376 2月 4 2014 libcblas.so.3.0 lrwxrwxrwx 1 root root 17 2月 4 2014 libf77blas.so.3 -> libf77blas.so.3.0 -rw-r--r-- 1 root root 131000 2月 4 2014 libf77blas.so.3.0 lrwxrwxrwx 1 root root 22 2月 4 2014 liblapack_atlas.so.3 -> liblapack_atlas.so.3.0 -rw-r--r-- 1 root root 369472 2月 4 2014 liblapack_atlas.so.3.0
然后就能够正常编译了。
參考文献
① ImageNet Classification with Deep Convolutional Neural Networks