最近幾天一直嘗試搭建Theano深度學習開發環境，并安裝英偉達CUDA Toolkit。這期間，有想過在Windows上搭建的，但是從網上了解后，發現還是在linux環境下更加合適。在搭建這個開發環境的過程中，其實入了不少坑，有點曲折。本不打算寫搭建過程的，因為網上確實有不少不錯的安裝步驟，以及官網也有安裝教程。But，鑒于被坑了好幾天，還是記錄一下，長長記性 :)
期間安裝Ubuntu 14.04超過4次（原因：有些軟件依賴問題無法解決，更換軟件源貌似也不可以。不過今天把軟件源換成主服務器后，就正常了，但是我的無線網速度比較慢，所以使用主服務器后，下載速度明顯要慢了不少。）。
嘗試安裝Fedora操作系統1次，因為也想過在這個系統上搭建環境的，因為Ubuntu 14.04上面的部分依賴總是搞不定。但是因為網卡驅動的問題，始終無法聯網；無法聯網，自然就沒法安裝編譯器，沒有編譯器，沒法安裝網卡驅動（因為需要編譯驅動），最后放棄了這個平臺。
嘗試安裝CentOS操作系統1次，其實根本沒有安裝成功，原因是我的獨立顯卡驅動問題，導致安裝程序的圖形界面上的所有文字都是模糊的，甚至連“退出安裝”按鈕文字我都識別不出來，最后放棄了。
e鍵，進入編輯頁面，在倒數第二行中，ro quiet splash后面添加nomodeset，這樣進入系統后不會因為獨顯驅動問題而導致黑屏了；/boot/grub/grub.cfg文件，搜索ro quiet splash關鍵詞，同樣追加nomodeset，這樣不用每次啟動系統前重復上述步驟了。這些工具在后面可能會使用到，如編譯器等。
sudo apt-get install -y python-dev python-pip python-nose gcc g++ git gfortran這些軟件包必須在安裝Numpy和Scipy之前安裝
sudo apt-get install -y libopenblas-dev liblapack-dev libatlas-base-dev在官方教程中使用了apt-get方式安裝的，但是貌似我確實在安裝后沒有通過單元測試，有不少錯誤產生。尤其是后面安裝的SciPy更是如此?？赡芎臀抑皼]有把需要的工具包安裝齊全有關系吧。
# 安裝NumPy，這個安裝過程需要等待會，因為需要編譯，所以得花一點時間。# 實際上后面安裝的SciPy和Theano都會花時間編譯的，整個安裝過程還是要挺久的。sudo pip install numpy# 進行測試。python -c 'import numpy; numpy.test()'必須要保證上面的測試通過，然后再繼續下一步，確保每一步都是正確的。沒有Errors則通過測試。測試結果如下。
# 安裝方法，耐心等待編譯吧:)sudo pip install scipy# 進行測試python -c 'import scipy; scipy.test()'必須保證scipy也正常通過測試，這樣才可以繼續安裝下面的Theano。測試結果如下圖：
# 安裝方法，還是要耐心等待編譯安裝的，感覺比較耗時sudo pip install Theano# 開始測試sudo python -c 'import theano; theano.test()'好吧，我感覺這個步驟中的Theano測試花了好長時間，所以，還是耐心等待吧。最后結果如下。
在安裝這個英偉達CUDA Toolkit時，還是遇到了不少問題。以下記錄安裝過程，詳細的說明文檔參見英偉達官方提供的Installation Guide for Linux。需要注意的是，該安裝文件已經包含了英偉達較新的顯卡驅動，所以不用單獨安裝獨顯驅動的。
進入CUDA Toolkit下載頁面
選擇對應的Ubuntu 14.04操作系統，并且選擇下載runfile(1.1G)文件，同時記錄對應的md5值，用于校驗下載文檔有沒有損壞
下載GPU Development Kit
下載完成后，最后校驗一下下載文件與下載頁面提供的文件MD5值是否相同，確保下載到的安裝包是完好無損的。
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev /usr/lib/x86_64-linux-gnu/目錄下找到了名為libGLU.so.1.3.1，所以在嘗試建立鏈接到/usr/lib/目錄下后，安裝Samples時就正常了。sudo ln -s /usr/lib/x86_64-linux-gnu/libGLU.so.1.3.1 /usr/lib/libGLU.so首先，將X-Window關閉，然后進入字符界面（如tty1）。關閉X-Window方法：sudo service lightdm stop
接下來，在字符界面中，給下載好的cuda_7.5.18_linux.run以及cuda_352_39_gdk_linux.run添加可執行權限
安裝Development Kit：sudo ./cuda_352_39_gdk_linux .run
安裝CUDA：sudo ./cuda_7.5.18_linux.run，安裝過程直接根據提示進行下去即可
重新啟動X-Window：sudo service lightdm start
echo 'export PATH=/usr/local/cuda-7.5/bin:$PATH' >> ~/.bashrcecho 'export LD_LIBRARY_PATH=/usr/local/cuda-7.5/lib64:$LD_LIBRARY_PATH' >> ~/.bashrcsource ~/.bashrcnvcc -V，輸出結果如下：
進入到Samples安裝目錄，然后在該目錄下make，等待十來分鐘。
編譯完成后，可以在Samples里面找到bin/x86_64/linux/release/目錄，并切換到該目錄
運行deviceQuery程序，查看輸出結果如下（重點關注最后一行，Pass表示通過測試）：
運行bandwidthTest程序，查看輸出結果如下（同樣最后顯示結果為PASS）：
這是最后一個環節了，配置Theano使用GPU并行計算，以驗證環境搭建是否成功。
from theano import function, config, shared, sandboximport theano.tensor as Timport numpyimport time vlen = 10 * 30 * 768 # 10 x #cores x # threads per coreiters = 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')sudo vi ~/.theanorc添加如下內容：
[global]floatX=float32device=gpu作為對比，使用cpu進行計算，觀察與gpu運算結果差別，從下面的截圖中可以看出，使用gpu的運算時間明顯短很多
新聞熱點
疑難解答
圖片精選
