從無到有打造一個深度學習環境學打乒乓球-- Ｄeep Reinforcement Learning　使用說明書－我的小小AI 天地

如果你將剛剛的隨身碟直接插入已經換好顯卡的那台電腦，你會發現無法進入安裝畫面，這是因為預設的Linux14.04版本的頻率和你顯卡的頻率不同所導致，因此你進入後馬上就會出現　out of range 的字樣，所以這時我們要對開機Ｇrub做點小小改變，在開機的時候不要按選擇作業系統進去，先按e 編輯進入畫面，然後將找到文件中下面這行字，quiet splash nomodeset　並在它後面加上紅色字串，但這僅僅只是暫時的，稍候我們還是要進入到系統中去修改grub文件

參考資料：http://shamangary.logdown.com/posts/773013-install-torch7-cuda-cudnn-nvidia-driver

1. 正式安裝Ｌinux：
  1. 選擇其他

1. 1. 分割硬碟

這裡注意如果是空的硬碟，需要點擊那個空間，然後按減號，才可以變為 Linux 的 free space ，選擇 + 號才可以開始分割您的隨身碟，用來安裝開機程式的裝置請選擇根目錄 '/ '

「/」

所謂的根目錄，一切的起點，所有的目錄都從「根」開始，一個接一個的掛下去。意義跟Windows的C:\很像。所有的目錄一定都會掛在根目錄底下，所以一定會佔到一個分割區。

「/home」

所謂的家目錄，使用者的桌面資料、文件、音樂、個人設定檔等等，都會在這個資料夾。通常以帳號分別，例如筆者創了一個叫「amola」帳號，家目錄就會是「/home/amola」，如果筆者又多建了一個「aluba」帳號，家目錄就是「/home/aluba」，以此類推。

「/home」的作用幾乎跟Windows系統的「我的文件（My Documents）」一致，但「/home」底下還會有軟體設定檔，每一個帳戶登入的軟體設定都存在這裡，瀏覽器或P2P程式的預設下載目錄，也一定會在/home/個人帳號/這個範圍內。重要性跟「我的D槽」不相上下。

「swap」

指的是置換空間，也是所謂的虛擬記憶體。關於這個空間的利用最有爭議，說法也有很多。也有人提供將swap分割區轉成實體檔案掛載的教學。不管怎樣，swap可以說是僅次於根目錄以下最重要的分割區，地位等同Windows系統的pagefile.sys。多了他乍看好像不一定有什麼效能優化，但少了他會很麻煩。

「/media」跟「/mnt」

其實這兩個資料夾的意思很像，都是「掛載」外部新增的硬體設備。較早的Linux系統僅出現「/mnt」這個資料夾，並設定為預設的掛載資料夾。如果使用者新買了顆硬碟，裝進電腦裡，Windows的做法會多給他一個英文字母做為磁碟機代號，Linux則會先處於「未掛載」的狀態，除非使用者另外下指令，或是透過修改設定檔的方式去主動掛載他，才能繼續利用。之所以會叫做「mnt」，一般認為是源於掛載（mount）的意思。

1. 安裝完系統後進入grub文件修改

我選擇用 gedit編輯器，關於編輯器的選擇有很多種，有vim,nano...等，可以參考

http://linux.vbird.org/linux_basic/0310vi.php，跟上面的步驟一樣，將nomodeset加入文件中

sudo gedit /etc/default/grub

儲存之後重新讀取更新，這樣我們就解決進入黑屏的問題了

sudo update-grub

1. 安裝顯卡驅動

安裝完後進入系統會發現解析度不對，這是因為我們還沒安裝 Nvidia 驅動程式, 由於這塊GPU太新,所以用apt-get 會找不到符合的驅動,因此要從 ppa 下載，因此輸入以下指令安裝

sudo add-apt-repository ppa:graphics-drivers/ppa

sudo apt-get update

sudo apt-get install nvidia-367

1. 檢查安裝正確與否

如果開啟 software呈現如以下畫面說明應該是安裝好了

 

安裝 cuda
1. 首先官網下載cuda安裝包　８．０:

https://developer.nvidia.com/cuda-toolkit

1. 下載好了後執行安裝

切記不要再安裝顯卡驅動了因為我們剛剛已經安裝過了

sudo sh cuda_8.0.27_linux.run

1. 設置環境

sudo gedit /etc/profile

export PATH=/usr/local/cuda/bin:$PATH

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

source /etc/profile

檢查path,有進去就對了

echo $PATH

1. 檢查cuda 安裝成功與否：

到 sample 資料夾底下

cd /usr/local/cuda-8.0/samples

編譯

make -j

然後到資料夾中找到程式執行

cd /usr/local/cuda-8.0/samples/bin/x86_64/linux/release

執行程式

./deviceQuery

出現以下圖片代表成功

打 nvcc --version 確認是否如以下

安裝 cudnn
1. cudnn 介紹：

NVIDIA cuDNN 是一個為深層神經網路設計的 GPU 加速原式函式庫，提供經過調校的常式建置方法，這些常式則常用於 DNN 應用，例如：

旋積
Pooling
Softmax
神經元動作包括：
- Sigmoid
- Rectified Linear (ReLU)
- Hyperbolic Tangent (TANH)

當然所有這些函數支援一般向前和往回傳送功能。 cuDNN 的旋積常式主要力求效能上的優勢，並在大量減少記憶體需求的情況下優於相同常式的最快速 GEMM 建置方法。

cuDNN 擁有客製化的資料格式，針對其所有常式的輸入和輸出所用的 4D 張量支援不同尺寸的先後排序、 Striding 和 Subregion 功能。這種靈活性可在任何神經網路內進行簡單的整合，並可避免 GEMM 旋積有時需要的輸入/輸出調換步驟。

cuDNN 可讓深層神經網路開發人員透過簡易的方法取得頂尖的效能，並可專注於設計他們的應用和解答機器學習的問題，而無需額外編寫客製化的程式碼。 cuDNN 可在 Windows 或 Linux OSes 環境執行，並可與全部 NVIDIA GPU，從 Tegra K1 等低功耗嵌入式 GPU 到 Tesla K40 等高階伺服器 GPU 並用。當開發人員使用 cuDNN 時，他們可以放心得到現有和未來 NVIDIA GPU 的高效能，而且可從未來全新的 GPU 功能和特性受惠。

1. 下載

也是到官網下載，要註冊,https://developer.nvidia.com/rdp/cudnn-download

1. 解壓縮資料夾

tar -zxvf cudnn-8.0-linux-x64-v5.0-ga.tgz

裡面是一個cuda 資料夾包含

複製裏面資料到 local/cuda 裏面

cd ../cuda/lib64

sudo cp ./* /usr/local/cuda/lib64/

cd ../cuda/include

sudo cp cudnn.h /usr/local/cuda/include/

更新他們的軟連結

cd /usr/local/cuda/lib64/

sudo rm -rf libcudnn.so libcudnn.so.5

sudo ln -s libcudnn.so.5.0.5 libcudnn.so.5

sudo ln -s libcudnn.so.5 libcudnn.so

檢查cudnn 安裝成功與否：

到官網下載cudadnn sample

解壓縮

tar -zxvf cudnn-sample-v5.tgz

到目標資料夾

cd mnist CUDNN

編譯

make -j

執行

./mnistCUDNN

有可能會跑出下列錯誤

./mnistCUDNN: error while loading shared libraries: libcudart.so.8.0: cannot open shared object file: No such file or directory

解決方法：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64

成功跑出範例：

安裝Tensorflow

Tensorflow 官網：

https://www.tensorflow.org/versions/r0.10/get_started/os_setup.html#pip-installation

簡易版(沒有GPU)：

到官網選擇您要的python 版本，這裡選擇 python 2.7, 打入下面指令

export　TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/cpu/tensorflow-0.10.0rc0-cp27-none-linux_x86_64.whl

執行安裝

sudo pip install --upgrade $TF_BINARY_URL

簡易版 GPU (限定 cuda 7.5, cudnn v4.0)

一樣方法, 選擇作業系統版本打入下面指令 (小編是 Ubuntu 14.04 64bit)

export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.10.0rc0-cp27-none-linux_x86_64.whl

安裝：

sudo pip install --upgrade $TF_BINARY_URL

複雜版安裝任意版本 cuda cudnn (從來源安裝)

因為這張顯卡算蠻新的，所以安裝cuda 7.5 會造成很多問題，網路上查閱相關資料發現 cuda 8.0 是最符合的，因此只有唯一的安裝方法 Install From Source，大概說一下,從來源安裝的意思就是去clone tensorflow 原始碼，然後經由 google 開發的軟體 bazel 進行編譯 , 有點類似 Cmake，最後自己做出 pip 安裝包,經由pip 安裝。

先安裝相關包

sudo apt-get install swig python-dev python-numpy python-wheel python-pip

sudo apt-get install pkg-config zip g++ zlib1g-dev unzip

安裝bazel:

bazel 官網:https://bazel.build/versions/master/docs/install.html#ubuntu

按照官網描述先從PPA安裝 JDK8.0

sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer

下載安裝檔：檔源:https://github.com/bazelbuild/bazel/releases

這裡選擇 bazel-0.3.1-installer-linux-x86_64.sh

下載完成後執行安裝

./bazel-0.3.1-installer-linux-x86_64.sh --user

設置環境

gedit etc/profile

再最後面加上

export PATH="$PATH:$HOME/bin"

執行

source /etc/profile

在terminal 打上 bazel 安裝成功圖示

設定 tensorflow 環境

cd移動到　tensorflow 根目錄執行configure 一步一步根據你的環境設定

下圖為我的設定圖

./configure

開始用bazel編譯tensorflow

下載源代碼：

git clone https://github.com/tensorflow/tensorflow.git

修改資料

到tensorflw根目錄移到 third_party/gpus/crosstool/CROSSTOOL

打開資料找到相關的程式碼往下加入此行

cxx_builtin_include_directory: "/usr/local/cuda-8.0/include"

開始用bazel compile tensorflow

bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package

成功畫面：

建立出安裝的package

bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

安裝

sudo pip install /tmp/tensorflow_pkg/tensorflow-0.10.0rc0-cp27-none-linux_x86_64.whl

測試tensorflow程式碼：

#!/usr/bin/env python

# Author: Abhay Harpale

# Website: abhay.harpale.net/blog/

"""

gpu test for tensorflow

"""

import tensorflow as tf

# 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)

如果畫面如下就表示成功

參考資料：

http://abhay.harpale.net/blog/machine-learning/deep-learning/getting-tensorflow-to-work-with-gpu-nvidia-gtx-1080-on-ubuntu-16-04-lts/

安裝Anaconda

如果你是python 新手，那我強烈建議你可以安裝 Anaconda 包來學習python，因為python 最強大的就是有許多依賴包可以安裝，但是新手通常會卡在安裝卡很久，我就是過來人有pip install easy-install wheel install，剛開始模模糊糊的，甚至安裝時還遇到一堆錯誤，後來才發現 Anaconda 這個包

Anaconda 的特點：

1.包含了眾多流行的科學、數學、工程、數據分析的 Python 包

2.完全開源和免費

3.額外的加速、優化是收費的，但對於學術用途可以申請免費的 License

4.全平台支持：Linux、Windows、Mac

5.支持 Python 2.6、2.7、3.3、3.4，可自由切換,

6.內帶spyder 編譯器

7.自帶jupyter notebook 環境 (舊版的ipython notebook