Deep-Learning-Framework Caffe herunterladen und installieren | NVIDIA
Deep-Learning-Training beschleunigen
Mit grafikprozessorbeschleunigtem Caffe
Die schnellste und einfachste Möglichkeit für den Einstieg in Caffe auf Grafikprozessoren
Deep-Learning-Training beschleunigen Mit grafikprozessorbeschleunigtem Caffe- Die schnellste und einfachste Möglichkeit für den Einstieg in Caffe auf Grafikprozessoren

Caffe auf NVIDIA-Grafikprozessoren herunterladen und installieren

SYSTEMANFORDERUNGEN FÜR CAFFE

Für die grafikprozessorfähige Version von Caffe gelten folgende Anforderungen:

  • Linux 64-Bit (Diese Anleitung wurde für Ubuntu 14.04 verfasst)
  • NVIDIA® CUDA®7.5 (CUDA 8.0 erforderlich für NVIDIA Pascal™-Grafikprozessoren)
  • cuDNN v5.1
  • Außerdem benötigen Sie einen NVIDIA-Grafikprozessor, der eine Rechenleistung von mindestens 3.0 unterstützt.

Caffe herunterladen und installieren

Schritt 1: CUDA installieren

Um Caffe mit NVIDIA-Grafikprozessoren zu verwenden, installieren Sie zuerst das CUDA Toolkit.

Schritt 2: cuDNN installieren

Laden Sie nach der Installation des CUDA-Toolkits die Bibliothek cuDNN v5.1 für Linux herunter. (Dazu müssen Sie sich für das Accelerated Computing Developer Program registrieren).

Entpacken Sie nach dem Download die Dateien und kopieren Sie sie in das CUDA-Toolkit-Verzeichnis (in unserem Beispiel /usr/local/cuda/):

$ sudo tar -xvf cudnn-8.0-linux-x64-v5.1.tgz -C /usr/local

Schritt 3: Abhängigkeiten installieren

Caffe hängt von verschiedenen Bibliotheken ab, die über den Paketmanager Ihres Systems verfügbar sein sollten.

Auf Ubuntu 14.04 werden die erforderlichen Bibliotheken mit den folgenden Befehlen installiert:

$ sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler libgflags-dev libgoogle-glog-dev liblmdb-dev libatlas-base-dev git

$ sudo apt-get install --no-install-recommends libboost-all-dev

Schritt 4: NCCL installieren

NVIDIA NCCL ist erforderlich, damit Caffe auf mehreren Grafikprozessoren ausgeführt werden kann. NCCL kann mit folgenden Befehlen installiert werden:

$ git clone https://github.com/NVIDIA/nccl.git

$ cd nccl

$ sudo make install -j4

NCCL-Bibliotheken und -Header werden unter /usr/local/lib und /usr/local/include installiert.

Schritt 5: Caffe installieren

Wir empfehlen, die neueste Release-Version von Caffe über die Abspaltung von NVIDIA https://github.com/NVIDIA/caffe/releaseszu installieren. Die neueste veröffentlichte Version ist 0.15.9 (Stand beim Verfassen dieser Anleitung).

$ wget https://github.com/NVIDIA/caffe/archive/v0.15.9.tar.gz

$ tar -zxf v0.15.9.tar.gz

$ cd caffe-0.15.9

$ cp Makefile.config.example Makefile.config

Öffnen Sie die neu erstellte Datei Makefile.config in einem Texteditor und nehmen Sie die folgenden Änderungen vor:

Uncomment the line USE_CUDNN := 1. This enables cuDNN acceleration.

Uncomment the line USE_NCCL := 1. This enables NCCL which is required to run Caffe on multiple GPUs.

Speichern und schließen Sie die Datei. Nun ist alles zum Kompilieren von Caffe bereit.

$ make all -j4

Wenn die Ausführung dieses Befehls abgeschlossen ist, ist die Caffe-Binärdatei unter build/tools/caffe verfügbar.

Bilddatenbank vorbereiten

Zum Testen der Trainingsleistung von Caffe ist als Input eine Bilddatenbank erforderlich. Caffe umfasst Modelle, die gemäß ihrer Konfiguration Bilder aus der ILSVRC12-Challenge („ImageNet“) verwenden. Die Originalbilddateien stehen unter //image-net.org/download-images zum Herunterladen zur Verfügung. (Sie müssen ein Konto erstellen und den Nutzungsbedingungen zustimmen). Sobald Sie die Originalbilddateien auf ihr System heruntergeladen und entpackt haben, fahren Sie mit den folgenden Schritten fort. Die Originalbilder werden annahmegemäß folgendermaßen auf Ihrer Festplatte gespeichert:

/path/to/imagenet/train/n01440764/n01440764_10026.JPEG

/path/to/imagenet/val/ILSVRC2012_val_00000001.JPEG

Schritt 6. Zusatzdaten herunterladen

$ ./data/ilsvrc12/get_ilsvrc_aux.sh

Schritt 7: Datenbank erstellen

Öffnen Sie die Datei examples/imagenet/create_imagenet.sh in einem Texteditor und nehmen Sie folgende Änderungen vor:

Ändern Sie die Variablen TRAIN_DATA_ROOT und VAL_DATA_ROOT in den Pfad, unter dem Sie die Originalbilder entpackt haben.

Legen Sie „RESIZE=true“ fest, sodass die Größe der Bilder richtig angepasst wird, bevor sie der Datenbank hinzugefügt werden.

Speichern und schließen Sie die Datei. Sie können nun die Bilddatenbanken mit folgendem Befehl erstellen:

$ ./examples/imagenet/create_imagenet.sh

Erstellen Sie dann die erforderliche image-mean-Datei mit:

$ ./examples/imagenet/make_imagenet_mean.sh

ANWENDUNG IN BETRIEB NEHMEN

MODELL AUSFÜHREN