FastAI深度学习课程GPU环境配置指南

前言

FastAI作为深度学习领域广受欢迎的课程，其配套的GPU环境配置是学习过程中重要的一环。本文将详细介绍如何在Ubuntu 16.04 LTS系统上配置完整的GPU深度学习环境，为后续的FastAI课程学习做好准备。

系统准备

在开始配置前，我们需要确保系统处于最新状态并安装必要的构建工具：

sudo apt-get update
sudo apt-get --assume-yes upgrade
sudo apt-get --assume-yes install tmux build-essential gcc g++ make binutils
sudo apt-get --assume-yes install software-properties-common

这些命令会：

1. 更新软件包列表
2. 升级所有已安装的软件包
3. 安装基础编译工具链
4. 安装软件源管理工具

NVIDIA GPU驱动安装

深度学习训练需要GPU加速，因此我们需要安装NVIDIA的CUDA工具包：

wget "http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_8.0.44-1_amd64.deb" -O "cuda-repo-ubuntu1604_8.0.44-1_amd64.deb"
sudo dpkg -i cuda-repo-ubuntu1604_8.0.44-1_amd64.deb
sudo apt-get update
sudo apt-get -y install cuda
sudo modprobe nvidia
nvidia-smi

安装完成后，运行nvidia-smi命令可以验证GPU驱动是否安装成功，该命令会显示GPU的状态信息。

Python环境配置

FastAI课程推荐使用Anaconda作为Python环境管理工具：

mkdir downloads
cd downloads
wget "https://repo.continuum.io/archive/Anaconda2-4.2.0-Linux-x86_64.sh" -O "Anaconda2-4.2.0-Linux-x86_64.sh"
bash "Anaconda2-4.2.0-Linux-x86_64.sh" -b

echo "export PATH=\"$HOME/anaconda2/bin:\$PATH\"" >> ~/.bashrc
export PATH="$HOME/anaconda2/bin:$PATH"
conda install -y bcolz
conda upgrade -y --all

这里我们安装了Anaconda2的4.2.0版本，并将其路径添加到环境变量中，同时安装了一些必要的Python包。

深度学习框架配置

Theano配置

Theano是一个高效的数值计算库，我们将它配置为使用GPU加速：

pip install theano
echo "[global]
device = gpu
floatX = float32

[cuda]
root = /usr/local/cuda" > ~/.theanorc

这个配置指定了：

1. 使用GPU设备
2. 默认使用float32数据类型
3. CUDA的安装路径

Keras配置

Keras是一个高层神经网络API，我们将它与Theano后端集成：

pip install keras==1.2.2
mkdir ~/.keras
echo '{
    "image_dim_ordering": "th",
    "epsilon": 1e-07,
    "floatx": "float32",
    "backend": "theano"
}' > ~/.keras/keras.json

配置中特别指定了：

1. 使用Theano作为后端
2. 图像维度顺序为Theano风格(channels_first)
3. 使用float32数据类型

cuDNN加速库安装

cuDNN是NVIDIA提供的深度神经网络加速库：

wget "http://files.fast.ai/files/cudnn.tgz" -O "cudnn.tgz"
tar -zxf cudnn.tgz
cd cuda
sudo cp lib64/* /usr/local/cuda/lib64/
sudo cp include/* /usr/local/cuda/include/

这些命令会下载cuDNN库并将其复制到CUDA的安装目录中，为深度学习计算提供硬件加速支持。

Jupyter Notebook配置

为了方便课程学习，我们需要配置Jupyter Notebook：

jupyter notebook --generate-config
jupass=`python -c "from notebook.auth import passwd; print(passwd())"`
echo "c.NotebookApp.password = u'"$jupass"'" >> $HOME/.jupyter/jupyter_notebook_config.py
echo "c.NotebookApp.ip = '*'
c.NotebookApp.open_browser = False" >> $HOME/.jupyter/jupyter_notebook_config.py

这段配置会：

1. 生成Jupyter配置文件
2. 设置访问密码
3. 允许任意IP访问
4. 禁用自动打开浏览器

课程资料获取

最后，我们需要获取FastAI的课程资料：

cd ~
git clone https://github.com/fastai/courses.git

环境验证

完成所有配置后，可以通过以下步骤验证环境是否正常工作：

1. 启动Jupyter Notebook：jupyter notebook
2. 在浏览器中访问服务器IP的8888端口
3. 创建一个新的Python笔记本
4. 尝试导入theano和keras库

如果一切正常，你就可以开始FastAI的深度学习课程学习了！

常见问题解决

1. GPU驱动问题：如果nvidia-smi命令不工作，尝试重启系统或重新安装驱动
2. 环境变量问题：如果命令找不到，尝试执行source ~/.bashrc或重新登录
3. 库冲突问题：建议使用conda创建独立环境来管理Python包

通过以上步骤，你应该已经成功配置好了FastAI课程所需的GPU深度学习环境。这个环境不仅适用于FastAI课程，也可以作为其他深度学习项目的基础环境。