深度学习（10）
ubuntu14.04+私有显卡驱动安装
ubuntu安装的时候，如何你的显示器输出线是接在显卡上的，那么可能会提示”不是推荐的分辨率类似信息” (我是hdmi高清线)
安装ubuntu
在BIOS设置初始显卡为集成显卡
将显示器线插入主板，使用核心显卡输出
设置屏蔽开源显卡驱动
$ sudo vim /etc/modprobe.d/blacklist-nouveau.conf
blacklist nouveau
options nouveau modeset=0
$ update-initramfs -u
安装驱动，具体型号去官网查，我的gtx
1) Ctrl+alt+F1进入字符界面，关闭图形界面
// 先删除以前安装的
sudo apt-get remove
sudo apt-get install gcc-multilib
sudo service lightdm stop
去官网下离线版本的安装 sudo sh 367.sh
图形界面出现，然后关机重启
此时你会发现重启进入登陆界面无限循环，解决方法。
把显示器的线重新插回独立显卡的口上。就OK了
Cuda8.0安装
不知为什么.deb版本的有坑，装不上，于是下载14.04的.run版本, 除了驱动不用安装之外 ，其他都yes或者默认
sudo sh cuda.8.0.run
sudo apt-get install libglu1-mesa libxi-dev libxmu-dev libglu1-mesa-dev
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev
sudo gedit ~/.bashrc
export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
source ~/.bashrc
输入nvcc -V 测试是否安装成功
cd ~/NVIDIA_CUDA-8.0_Samples
sudo apt-get install g++
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libglu1-mesa-dev
如果报缺少.lGL链接错误.
cd /usr/lib
sudo ln -s libGL.so.1 libGL.so
缺少其他库类似做法。
cd ~/NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release
sudo ./deviceQuery
出现下面信息就三安装成功:
./deviceQuery Starting…
CUDA Device Query (Runtime API) version (CUDART static linking)
Detected 1 CUDA Capable device(s)
Device 0: “GeForce GTX 1070”
CUDA Driver Version / Runtime Version
CUDA Capability Major/Minor version number:
Total amount of global memory:
8112 MBytes ( bytes)
(15) Multiprocessors, (128) CUDA Cores/MP:
1920 CUDA Cores
GPU Max Clock rate:
1772 MHz (1.77 GHz)
Memory Clock rate:
Memory Bus Width:
L2 Cache Size:
2097152 bytes
Maximum Texture Dimension Size (x,y,z)
1D=(131072), 2D=(536), 3D=(1, 16384)
Maximum Layered 1D Texture Size, (num) layers
1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers
2D=(3), 2048 layers
Total amount of constant memory:
65536 bytes
参考知识库
* 以上用户言论只代表其个人观点，不代表CSDN网站的观点或立场
访问：342637次
积分：4525
积分：4525
排名：第4737名
原创：105篇
转载：10篇
评论：128条
我的个人网站
文章：10篇
阅读：21855
(3)(8)(1)(1)(4)(4)(6)(1)(3)(3)(1)(1)(18)(10)(12)(20)(16)(3)用深度学习做计算机视觉，基本的gpu配置是什么？
用深度学习做计算机视觉，基本的gpu配置是什么？
号外。订阅请给
发封邮件，标题是 " 订阅机器学习日报 "
13 条精选讨论（选自15条原始评论和转发）
求教 @好东西传送门 和各位行家 ，用深度学习做计算机视觉，基本的gpu配置和计算机配置是什么？推荐的配置是什么？ 多谢啦。
星空下的巫师
个人PC的话，用GTX780或者980吧，应该够了
好东西传送门
请教各位 @GPUS-GPU测试 @GPUS-Hawk @格灵深瞳 @rickjin @陈天奇怪 @韧在百度 @hjk41 @赵开勇 @孙明明_SmarterChina
MSP_zhouzhou99_at_bjtu
“请教各位 @GPUS-GPU测试 @GPUS-H...”
I7 4790k + gtx780ti
GPUS-GPU测试
“I7 4790k + gtx780ti”
系统推荐：华硕ESC700G2开箱介绍
“I7 4790k + gtx780ti”
预算足够的话还是找个6G以上显存的卡吧，比如Titan。现在model越来越大，3G有点捉襟见肘
屌丝用用970
回复@勇哥ITS: 嗯，我也考虑到了。够用吗？
回复@星空下的巫师: GTX 970够用吗？
星空下的巫师
回复@干二微博:如果不缺钱，建议还是980，970的显存也够用了，但是计算能力慢了点
回复@星空下的巫师: 看到头晕，感觉性能差不多。。就是核多一些吗？
星空下的巫师
回复@干二微博:因为卷积运算非常消耗计算，980的计算能力比970好不少，一般认为，980可以媲美Titan Black，而970还略弱于780Ti和780
孙明明_SmarterChina
以前@王威廉 曾经分享过一个常跑kaggle竞赛的同学选择GPU机器的经验之谈。这里再次转发下：。 调试算法单机即可，我自己的实验机器是 Intel i7 + 32GB 内存 + nvidia GTX 970 。 但要跑大量数据还是需要集群。
感谢！我差不多知道了，同时感谢 @星空下的巫师 . GTX 980深度学习是一门用来解决复杂问题的技术，例如自然语言处理和图像处理。目前，我们已经可以很快的处理超大计算量的问题——这多亏了GPU，GPU最初就是用于快速生成高分辨率计算机图像，由于它的计算效率使得其非常适合用于深度学习算法。原先需要用好几周才能分析出来的结果，现在几天时间就能完成。虽然现在的计算机都有GPU，但是并不是所有的GPU都适合用来进行深度学习。对于那些不能深度学习功能的GPU，本文将会一步一步的教大家如何构建一个自己的深度学习机器。深度学习系统本质上是在另一台电脑上安装一个具有深度学习的GPU。GPU是普通计算机和深度学习机器的主要区别。首先，检测下你的GPU型号是否有在这个网站中列出（网站链接：/cuda-gpus）。如果有，就意味着你的GPU可以用来深度学习，那你就可以进行下一步的安装软件了。如果你的计算机的GPU不能 & &不支持深度学习，那么继续阅读下文，你就会知道如何用小于$1.5k的花费来装备你的机器&购买硬件这个部分，我们来列出构建深度学习机器需要用到的主要设备。如果你对电脑硬件知识不了解或者你觉得这样太费时间。你可以去实体店里购买这些，或者让店里的人给你配。以下列出来的价格是2016年3月，在美国的价格。总共花费$1285，这也是我们参加比赛得到的资助。主板主板是结合其他组件，使他们之间的沟通协调。这是一个印刷电路板。中央处理器（CPU）执行计算能力，就像人的大脑，安装在主板上。$410&(bundle)&–&Asus&B150i&Pro&Gaming&ITX&(Motherboard)&+&Intel&i5&6600k&(CPU)随机存取存储器（RAM）快速检索信息，安装在另一个主板上$115&–&16GB&(2x8GB),&Corair&Vengeance&DDR4&DRAM&2400MHz&图像处理器(GPU)为深度学习提供一个密集的计算能力。我们选择的GPU是GTX970，我们买了个小型的，这样方便携带。另外一个老一点的GPU，GTX770，可以构建一个深度学习模型在33分钟内完成20次迭代。这样的话，我们的机器比预期的更快了些。$415&–&4GB,&Gigabyte&GTX970&ITX&GDDR5电源供应设备（PSU）电源，不解释$75&–&550W,&Cooler&Master&G550M&硬盘（HDD）提供永久，大容量存储$160&–&4TB,&Western&Digital&Blue&5400&RPM&CPU&冷却器就是CPU风扇啦$35&–&Cooler&Master&GeminII&M4 &Case带USB接口的其他的一些配件$50&–&Cooler&Master&Elite&110Assembly$25&–&店内服务安全,连接组件。组装完后，连接上显示器，鼠标和键盘就能用了。软件安装第一步：安装ubuntuUbuntu是一个开源系统，我们的深度学习机器就是运行在上面的。比较简单的安装方法是用另一台电脑下载好系统，放在U盘中。然后在深度学习机器中插入该U盘进行系统的安装。具体的安装过程就不讲了，大家可以上网查下。第二步：安装深度学习相关软件&Nvidia&是一家生产GPU的公司，他们一家有一套用于深度学习的框架Digits。在安装Digits之前，我们需要先安装一些依赖的软件。首先我们需要安装驱动，该驱动深度学习软件访问GPU资源。在按Ctrl+Alt+T调出终端&在Ubuntu&14.04中，Nvidia驱动是官方库中自带的。虽然在官方库中的版本可能较NVIDIA网站上的老些，但是他们通常都更稳定些，而且是由社区进行测试的。我们建议直接使用Ubuntu库自带的就好。搜索最新版本nvidia进行安装：apt-cache&search&nvidia得到的结果可能是像”nvidia-xxx”这样的，其中的xxx就是响应的版本号，选择一个最新的就行，例如，我们选的是&nvidia-352&。&然后，运行一下命令安装：sudo&apt-get&install&nvidia-352&nvidia-352-uvm&sudo&apt-get&install&nvidia-modprobe&nvidia-settings其中，额外安装的包nvidia-modprobe和nvidia-settings会让以后的升级安装更容易些。第三步：安装CUDA和DigitsCUDA是一个可以让GPU执行任务的平台，可以提高它的运行效率。Digits是深度学习的界面展示。你可以用这个界面上传数据，建立模型并且预测趋势。运行一下命令安装：CUDA_REPO_PKG=cuda-repo-ubuntu1404_7.5-18_amd64.deb&&&&&&&wget&$CUDA_REPO_PKG&&&&&&&sudo&dpkg&-i&$CUDA_REPO_PKGML_REPO_PKG=nvidia-machine-learning-repo_4.0-2_amd64.deb&&&&wget&$ML_REPO_PKG&&&&sudo&dpkg&-i&$ML_REPO_PKGapt-get&updateapt-get&install&digits当安装成功，打开您的浏览器并访问。您应该看到如下所示的一个网页:&如果遇到错误，请参考故障排除部分官方安装指南（）&运行分析Nvidia的Digits是一个友好的平台，允许你使用深度学习技术训练预测模型。结论就是这样。你就建立起了一个深度学习机器。如果你是刚开始学习深度学习技术，你也可以现在云平台上先学习，用google的机器学习平台进入微信公众号“深度学习实验室”，回复0523，可下载从上传数据到做出预测的综合演示的整个过程的演示视频深度学习实验室(gh_2bb5b7eb2268)　
　文章为作者独立观点，不代表大不六文章网立场
的最新文章
五个月以前，谷歌将自己的深度学习系统 TensorFlow开源。 而如今，亚马逊也决定，跟随谷歌的脚步将自己的深度学习软件开源。现在许多开发者和学生开始关注深度学习，很多是因为谷歌开源的深度学习框架TensorFlow。機器學習持續飛進，未來的亞馬遜倉庫將空無一「人」最近一个有趣的公共对话已经呈现出了人工智能（AI）的最新发展状况，其中既有乐观的观点也有悲观的观点，赢得了相当数量的媒体的关注。Google讓電腦看了10000部影片，打算用深度學習技術改善YouTube影片畫質在图像和语音识别等领域，深度学习技术所取得的突破引起了很大关注。但是在金融领域，深度学习技术的应用，距离大规模采用似乎仍然遥远。那么，人们在将深度学习技术应用于金融交易中到底做了哪些研究，各自又取得了什么样的进展？穿戴式裝置風潮持續擴散，為使穿戴裝置運算更加智慧，滿足未來各種多元應用，已有研究單位採用深度學習技術，加強穿戴式裝置影像/動作分析、辨識能力，提供更智慧化服務，滿足消費者需求。第一次看到Kaggle圖像識別大賽的結果時，我不相信它是真的。我在機器視覺領域已經投入了幾年的時間，在圖片中區分貓和狗這種很棘手的問題上，大賽結果顯示的精確度是我從未見過的，甚至不敢想像在未來的幾年能夠達到的。深度学习是一门用来解决复杂问题的技术，例如自然语言处理和图像处理。目前，我们已经可以很快的处理超大计算量的问题——这多亏了GPU，GPU最初就是用于快速生成高分辨率计算机图像，由于它的计算效率使得其非常适合用于深度学习算法。机器学习和深度学习学习资料专题二十七自動識別冰箱中儲存的食材、遠程預約解凍、智能用藥提醒……Qualcomm 日前发佈一套深度学习开发套件 - Snapdragon Neural Processing Engine ，率先支援旗下高阶处理器 Snapdragon 820 ，赋与 S820 深度运算学习能力本文介绍AMD深度学习团队开发的MLP学习工具软件的使用，为深度学习研究人员和开发商提供一个高性能、高易用性的深度学习的软硬件平台方案。机器学习和深度学习学习资料专题二十二2015 年，Google 開源了其人工智慧深度學習系統 TensorFlow，但該版本只能在一台機器上單獨運行。昨天，Google 發表分散式 TensorFlow，這意味著它能夠真正大規模進入到人工智慧產業中，產生實質的影響。机器学习和深度学习学习资料专题二十三NVIDIA 现在准备将这样的计算能力全部装进一个盒子里面，做出一台专门用于满足人工智能研究人员需求的超级计算机。近年来，深度学习可谓是机器学习方向的明星概念，不同的模型分别在图像处理与自然语言处理等任务中取得了前所未有的好成绩。机器学习和深度学习学习资料专题二十人工智能绕不过深度学习，目前深度学习的应用还是基于通用处理器如CPU、GPU。在上週之前，若提到人工智慧和人類對決例子，很多人還是會想到1997年打敗西洋棋棋王的「深藍」，但現在，相信更多人會想到「AlphaGO」介紹AlphaGo的技術原理，以及背後涉及到的類神經網路以及深度學習技術。怎样在Nvidia的Jetson开发板上运行Caffe深度学习视觉库机器学习和深度学习学习资料专题十六人工智能貌似已经在技术行业无处不在了。我们所说的AI，已经被应用到了Gmail的电子邮箱、学习汽车驾驶，存储度假照片中，扎克伯格甚至造了做家务的AI。在基于Hadoop集群的大规模分布式深度学习一文中，雅虎介绍了其集Caffe和Spark之长开发CaffeOnSpark用于大规模分布式深度学习，并向/BVLC/caffe贡献了部分代码。麻省理工學院（MIT）發表一款深度學習（Deep Learning）晶片Eyeriss，專門用來部署類神經網路（Neural Network）。深度学习近年来在多个领域取得了重要突破，尽管理论上并没有解释清楚深度学习的机制，但已在大量领域取得了巨大成功。辉达(NVIDIA)宣布推出首款车载人工智慧引擎--DRIVE PX 2，加速自动驾驶车发展。机器学习和深度学习学习资料专题六深度学习江湖目前有四座山头，分别是：Geoff Hinton、Yann Lecun、Yoshua Bengio、Andrew Ng。一群来自美国麻省理工学院（MIT）电脑科学与人工智慧实验室（CASIL）的研究团队创造一个可以预测视频或照片中，让人容易忘记与记忆的区域。机器学习和深度学习学习资料专题五机器学习和深度学习学习资料专题七Google宣佈將其最新的機器學習技術TensorFlow以開放源碼專案釋出。Google以Apache 2.0授權模式開放以Python或C++為主要服務語言的TensorFlow專案，並將這個專案的程式碼與相關工具放在Github上。NVIDIA (辉达) 今天宣布Volvo 将使用NVIDIA DRIVE(TM) PX 2深度学习运算引擎来驱动Volvo百辆自动驾驶车运行计划中的XC9 运动休旅车，并于明年瑞典车厂的Drive Me 自动驾驶员计划中正式上路。風險投資公司Union Square創辦人之一、紐約投資界最具影響力的人物之一Fred Wilson近日就在他的部落格AVC更新了一篇文章，對2016年互聯網科技領域的最重要事情做了個預測。本文的目的是能讓即便完全不了解機器學習的人也能了解機器學習，並且上手相關的實踐。在進入正題前，我想讀者心中可能會有一個疑惑：機器學習有什麼重要性，以至於要閱讀完這篇非常長的文章呢？深度学习是机器学习的一个领域，研究复杂的人工神经网络的算法、理论、及应用。宋牧奇一直想為旗下團隊熟悉的先進GPU技術研發實力，找到一個殺手級的應用，最终為多貓家庭打造智慧餵食器的點子讓電腦具備與人類相同的聽覺、視覺、閱讀甚至翻譯的能力， 一直是人工智慧學家追求的目標之一。宋牧奇一直想為旗下團隊熟悉的先進GPU技術研發實力，找到一個殺手級的應用，最终為多貓家庭打造智慧餵食器的點子在感知、语言翻译等等方面的大部分最先进的神经网络框架正在发展并且不在仅仅关于简单前馈式（feed forward）框架或者卷积式框架（convolutional）深度学习是机器学习的一个领域，研究复杂的人工神经网络的算法、理论、及应用。本文主要是翻译整理Li Deng 和 Dong Yu所著的《Deep Learning：Methods and Application》文章并没有全文翻译，而是一个总结并加入个人理解生成的概括性文章。在2012年，加州的 Google X Lab 用一千台電腦架成的 Google Brain，展現了前所未有的機器學習能力。深度学习（Deep Learning）属于非常前沿的学科，没有现成的的综合型教材，主要是通过阅读大量论文和代码练习来学习。我们目前所拥有的大脑本该是最适合人类自身进化需要的大脑，该记住什么，遗忘什么，能记住多久，多久才能忘却……鄢志杰将在12月11日下午的深度学习分论坛进行题为“Deep Learning 助力客服小二:数据技术及机器学习在客服中心的应用”的主题演讲你也许想知道对话系统的基本原理是怎样的？特别是如何用数据驱动的方式构建一个对话系统？gh_2bb5b7eb2268专注于深度学习最新技术进展，分享深度学习方面的技术内容热门文章最新文章gh_2bb5b7eb2268专注于深度学习最新技术进展，分享深度学习方面的技术内容研究深度学习的硬件配置（折腾GPU）
研究深度学习的硬件配置（折腾GPU）
买什么样的GPU
双GTX 980集群
双GTX 970集群
四卡GTX 980
四卡GTX 750 TI
四卡K40机器
四卡Titan X机器
接下来买什么？
发表评论：
馆藏&14408
TA的推荐TA的最新馆藏[转]&}