CUDA기타설치 문서 원본 보기

==cuda==
* 커널헤더 업데이트 될때마다 다시 설치해야 한다. 귀찮귀찮
* 다운받고 설치 한 후 검증방법 [http://xcat-docs.readthedocs.io/en/stable/advanced/gpu/nvidia/verify_cuda_install.html]
** 설치 디렉토리에 samples생기는데 거기서 make하고 <code> deviceQuery</code>, <code> bandwidthTest</code>돌려본다.
** deb받아서 설치하면 X가 메롱이 될 때가 있다. 그냥 run파일 받아서 할것. 어지간하면 다 기본값으로.
==cudnn==
* [https://developer.nvidia.com/cudnn cudnn]
** 안해도 (위에 설치한) cuda toolkit안에 기본으로 들어있긴 하다. 버전이 조금 낮을 뿐. (현재 툴킷8.0에 cudnn5.0이 들어가있다. 최신은 6.0)
** nvidia에 멤버쉽이 필요하다. 공짜니까 그냥 가입하고 적당한거 다운받아서 복사해 넣는다.
==tensorflow==
* [http://www.nvidia.com/object/gpu-accelerated-applications-tensorflow-installation.html 설치 howto] 왠 텐서플로우 설치문서를 엔비디아가...
* 검증방법도 문서 안에 있다. 
 source activate tensorflow
<pre>import tensorflow as tf
sess = tf.Session()
hello_world = tf.constant("Hello, TensorFlow!")
print sess.run(hello_world)
print sess.run(tf.constant(123)*tf.constant(456))</pre>
혹은[https://www.tensorflow.org/tutorials/using_gpu#logging_device_placement]
<pre># Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))</pre>실행 후 로그 잘 보면 데이터를 gpu메모리로 복사하는 중인지 자세히 나옴.
* 쿠다변경때문에(근본적으로는 커널헤더 업데이트때문에) 업데이트 해야 할것 같으면 테스트부터 해볼것. 테스트 잘 통과하면 다시 빌드할 필요 없다. 
** 쿠다 업데이트 이후에 아무것도 안건드려도 tf 그냥 잘 돌아가는 경우가 흔하다.
* 다음도 하면 좋다고 한다.[https://www.tensorflow.org/install/install_linux]
*<pre>sudo apt-get install libcupti-dev</pre>
==mxnet==
 $ pip install mxnet-cu80
validation:
<pre>>>> import mxnet as mx
>>> a = mx.nd.ones((2, 3), mx.gpu())
>>> b = a * 2 + 1
>>> b.asnumpy()
array([[ 3.,  3.,  3.],
       [ 3.,  3.,  3.]], dtype=float32)</pre>
http://mxnet.io/get_started/install.html<br>
{{c|1=context=model.cpu()}}일때보다 {{c|model.gpu()}}일 때 64배가량 빠르다. (mnist 예제)
==Matlab==
실행창에서 
 gpuDevice()
하면 gpu잡혀야 함.
==caffe==
* http://caffe.berkeleyvision.org/install_apt.html
** 이대로 하면 16에서 dependency문제 있는데, 14.04부분에 나오는 <pre>sudo apt-get install -y libgflags-dev libgoogle-glog-dev liblmdb-dev </pre>실행해주면 된다.
** Makefile.config 여기저기 손봐줘야 함. anaconda쓰도록 해주는 부분과, cudnn enable부분.
** cmake하면 에러 난다. 걍 문서대로 make 할것.
* cmake로 한 [https://yangcha.github.io/Caffe-Conda/ 참고문서]. 아나콘다에서 pycaffe어떻게 설치하는지 참고.
** {{c|make pycaffe}} 잊지 말것.
** 일단 {{c|import caffe; print caffe.__version__}}해서 별 에러 없으면 (아마도) 성공한것.

==opencv==
refer http://docs.opencv.org/2.4/doc/tutorials/introduction/linux_install/linux_install.html
 git clone https://github.com/opencv/opencv.git
용량이 매우 큼.
 cd ~/opencv
 mkdir release
 cd release
 cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local -D CUDA_GENERATION=Auto ..
 make -j16
파이썬 모듈만 쓸거면 {{c|make install}} 무쓸모.<br>
파이썬에서 {{c|import cv2}}해서 별 말 없으면 성공. <br>
{{c|PYTHONPATH}} 설정 잊지 말것. (cv2.so가 들어있는 폴더를 붙여줌)

==torch==
* 설치하고 나면 폴더에 {{c|test.sh}}가 생긴다. 그걸로 test해보면 됨.
** {{c|PReLU_backward}} function call 계속 fail하는데 검색해봐도 뭐 안나오고 해서 그냥 무시함.
** {{c|PReLU_forward}}는 실패했다가 성공하는 신기한 일도 발생 -_- 그냥 간헐적인 것인지.
* CUDA나 linux-header바뀌었으면 {{c|install.sh}}다시 돌려야 함
* 검증코드
<pre> a = torch.rand(5,3)
 b = torch.rand(3,4)
 c = torch.Tensor(5,4)
 require 'cutorch'
 a = a:cuda()
 b = b:cuda()
 c = c:cuda()
 c:mm(a,b)</pre>
다른 테스트예제들은 [https://github.com/soumith/cvpr2015/blob/master/Deep%20Learning%20with%20Torch.ipynb 여기]서 참고.




<disqus></disqus>