Instale el entorno acelerado de Theano GPU

1. entorno de GPU theano

El diseño subyacente del entorno de nano GPU se basa principalmente en el módulo pygpu para la aceleración de la red neuronal. Entonces, el primer paso es instalar el entorno pygpu. Hay dos formas de instalar: la
primera es instalar en el entorno de conda. Puede ingresar directamente el siguiente comando para instalar:

conda install pygpu

Esto también está instalado en el paquete conda-forge

conda install -c conda-forge pygpu

Luego instale el entorno de la biblioteca de la red neuronal

pip install theano
# 或者是 conda install theano

Supongamos que necesitamos instalar pygpu en un entorno virtual, en este momento necesitamos compilar pygpu
Primero, la compilación de libpygpuarray requiere cmake, c99, cython y otros entornos dependientes. El entorno cython se puede instalar directamente a través de pip:

pip install cython

Install cmake se puede instalar directamente así

sudo apt install cmake

O instalar a través del código fuente. La siguiente es la instalación de libpygpuarray.
Primero descargue el archivo fuente de libpygpuarray desde el github de theano

git clone https://github.com/Theano/libgpuarray.git
cd libgpuarray

Cree un directorio de compilación para compilar. Si desea utilizar libgpuarray para el desarrollo, puede compilar de la siguiente manera:

cd <dir>
mkdir Build
cd Build
# you can pass -DCMAKE_INSTALL_PREFIX=/path/to/somewhere to install to an alternate location
cmake .. -DCMAKE_BUILD_TYPE=Release # or Debug if you are investigating a crash
make
make install
cd ..

Si solo desea instalar pygpu, solo necesita activar el entorno virtual (si es necesario) y luego realizar las siguientes operaciones en la carpeta del código fuente

python setup.py build
python setup.py install

Tenga en cuenta que el proceso de instalación de Python anterior requiere el soporte de Cython. Luego cree el archivo .theanorc en la carpeta de usuario.

nano ~/.theanorc

Y escribe el siguiente contenido en el archivo

[global]
device = cuda
floatX=float32
root = /usr/local/cuda

[nvcc]
fastmath=True
compiler_bindir=/usr/local/cuda-10.2/bin

[blas]
ldflags = -lopenblas

[cuda]
root = /usr/local/cuda-10.2

[dnn]

enabled=True
inclue_path=/usr/local/cuda/include
library_path=/usr/local/cuda/lib64

Luego proceda a la instalación del entorno nano, de modo que se instale el entorno operativo acelerado de la GPU theano.

2. Prueba de GPU Theano

El código para probar theano GPU se muestra a continuación, cree un nuevo test.py

from theano import function, config, shared, tensor
import numpy
import time

vlen = 10 * 30 * 768  # 10 x #cores x # threads per core
iters = 1000

rng = numpy.random.RandomState(22)
x = shared(numpy.asarray(rng.rand(vlen), config.floatX))
f = function([], tensor.exp(x))
print(f.maker.fgraph.toposort())
t0 = time.time()
for i in range(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, tensor.Elemwise) and
              ('Gpu' not in type(x.op).__name__)
              for x in f.maker.fgraph.toposort()]):
    print('Used the cpu')
else:
    print('Used the gpu')

Finalmente, aparece la siguiente información, que indica que el entorno de GPU se instaló correctamente

referencia

[1] documentación de referencia de libpygpu
[2] documentación de referencia de theano