实验室cuda安装

以下是实验室linux服务器cuda安装和kaldi带cuda编译的流程，在pcc和pc上测试通过。

在pcc上实验了cuda7和cuda6.5，结果kaldi（2015年3月版）似乎不兼容cuda7，在kaldi-trunk/src/cudamatrix下

make test 总是失败，最后安装的cuda6.5。

在pc上的kaldi（2014年10月以前）在cuda6.5下测试不通过，kaldi（2015年3月版）可以测试通过。

在pcc上的kaldi在gpu 0 上总报错，在gpu 1上可以，最后我拷贝的文鹏的没改过的cudamatrix/Makefile，并执行make -B 重新编译，可以用gpu 0了。

安装前准备 cuda_6.5.14_linux_64.run， 文件大小928M，这是pc服务器上保存安装包的位置。

928M pc-pc: /home/pc/disk2/hcq/install_cuda/cuda_6.5.14_linux_64.run

kaldi版本 2015年3月

ps: 可以通过运行 locate --regex cuda.*.run$ 来查找机器上别人以前下的cuda安装包。

一、安装 cuda

(1) 删除已有nvidia，拉黑名单

sudo apt-get remove --purge nvidia*

sudo nano /etc/modprobe.d/blacklist.conf

blacklist.conf加入

(2) 开始安装

sudo service lightdm stop

chmod +x cuda_6.5.14_linux_64.run

sudo ./cuda_6.5.14_linux_64.run

安装一路yes或默认配置。

成功提示：

===========

= Summary =

===========

Driver: Installed

Toolkit: Installed in /usr/local/cuda-6.5

Samples: Installed in /home/hcq, but missing recommended libraries

Please make sure that

To uninstall the CUDA Toolkit, run the uninstall script in /usr/local/cuda-6.5/bin

To uninstall the NVIDIA Driver, run nvidia-uninstall

Please see CUDA_Getting_Started_Guide_For_Linux.pdf in /usr/local/cuda-6.5/doc/pdf for detailed information on setting up CUDA.

(3) 配置环境变量

按照上一步成功提示设置PATH和LD_LIBRARY_PATH 环境变量

sudo vim /etc/profile

/etc/profile加入

PATH= LD_LIBRARY_PATH:/usr/local/cuda-6.5/lib64

export PATH

export LD_LIBRARY_PATH

(4) 测试

1. /usr/local/cuda/bin/nvcc -V

显示所安装cuda版本：

nvcc: NVIDIA (R) Cuda compiler driver

Copyright (c) 2005-2014 NVIDIA Corporation

Built on Thu_Jul_17_21:41:27_CDT_2014

Cuda compilation tools, release 6.5, V6.5.12

可以确定安装的版本为6.5

2. cd /home/hcq/NVIDIA_CUDA-6.5_Samples/

可以make 并进入相应子目录运行测试

例如： ./0_Simple/simplePrintf/simplePrintf 打印

GPU Device 0: "Quadro 600" with compute capability 2.1

Device 0: "Quadro 600" with Compute 2.1 capability

printf() is called. Output:

[3, 0]: Value is:10

[3, 1]: Value is:10

.....

[2, 6]: Value is:10

[2, 7]: Value is:10

二、kaldi带cuda编译

(1) 首先进入tools目录并按照INSTALL指示编译。如果之前已经编译过跳过此步骤（tools下的程序没有使用cuda库）。

(2) 进入src目录

1.make clean

2../configure

可以看到打印信息的最后有这么一行：

Using CUDA toolkit /usr/local/cuda (nvcc compiler and runtime libraries)

可以确定kaldi将要带cuda安装。

3. make depend -j 24

4. make -j 24

在 make -j 24 过程中如果有类似一下错误：

nvcc fatal : Unsupported gpu architecture 'compute_10'

则进入src/cudamatrix目录，修改Makefile，

把 CUDA_ARCH=-gencode arch=compute_10,code=sm_10 中的

-gencode arch=compute_10,code=sm_10 去掉。

重新 make -j 24。

(3) 如果以上步骤没有错误，则进入src/cudamatrix目录进行测试

make test -j 5

成功的话提示：

Running cu-vector-test ...... SUCCESS

Running cu-matrix-test ...... SUCCESS

Running cu-math-test ...... SUCCESS

以上参考自

http://blog.csdn.net/abcjennifer/article/details/23016583

Ubuntu12.04配置NVIDIA cuda5.5经验帖

分类： Computer System Linux &MAC Python2014-04-06 08:58 9938人阅读 评论(16) 收藏 举报

之前配过一遍都忘光了，现在要重新配一遍真是好难过。。。特此记录参考网站以便查阅。

=============

环境：Ubuntu 12.04+Cuda5.5

The setup of CUDA development tools on a system running the appropriate version of Linux consists of a few simple steps:

见官方配置手册： http://docs.nvidia.com/cuda/cuda-getting-started-guide-for-linux/index.html

下run好了

[plain] view plaincopy

[plain] view plaincopy

blacklist.conf加入

[plain] view plaincopy

[plain] view plaincopy

Cuda5.5集成了toolkit，sdk和driver, 所以安装的时候一路同意下来就好了

也就是SDK安装失败，这个官方手册上也提到了解决方案。

[plain] view plaincopy

到根目录下的/path/to/extract/dir/去找cuda-samples_5.5.22_*******.run, 安装

[plain] view plaincopy

[plain] view plaincopy

使之生效：

source /etc/profile（对应profile）或sudo ldconfig（对应bashrc）

还有一种装sdk的方法见 http://askubuntu.com/questions/338907/how-to-install-cuda-5-5-under-ubuntu-12-04-lts-64-bit

deviceQuery:

正文最下方

=============

此外附上其他配置参考：

Spark的Web监控页面 在SparkContext中可以看到如下代码： 首先是创建一个Spark Application的Web监控实例对象： 然后bind方法会绑定一个web服务器： 可以看出我们使用Jetty服务器来监控程序的运行和显示Spark集群的信息的。

语音唤醒，有时也称为关键词检测(Keyword spotting)，也就是在连续不断的语音中将目标关键词检测出来，一般目标关键词的个数比较少（1~2个居多，特殊情况也可以扩展到更多的几个）。

语音唤醒和语音识别的区别：语音识别只能处理一段一段的语音数据，也就是待识别的语音有明确的开始和结束，比如siri按下home键，开始录音说话，松开录音结束，返回识别结果；语音唤醒是处理连续不断的语音流，比如语音开关24小时不间断的检测麦克录音中的关键词信息；语音唤醒可以和语音识别技术结合，用于检测语音开始的位置，替换掉按键，比如Amazon Echo中，用”alexa”作为唤醒词，一旦检测到唤醒词，则开始录音进行语音识别。

语音唤醒性能：

唤醒率：将连续语流中存在的唤醒词检测出来，这个和语音识别的识别率有一定的相似性

误唤醒率：连续语音中不存在唤醒词，但是将一些其他语音误判为唤醒关键词

常用的实现方式：dnn+hmm(深度神经网络+隐马尔科夫模型)，lstm+ctc(长短时记忆网络+全连接时序分类模型)

目前业界软件唤醒方案，也即提供SDK,实现唤醒功能一般分为在线和离线版本。国内主要以科大讯飞与百度为代表。唤醒率总体超过95%(这个只能参考，具体看测试场景)。网上也有多种开源的小型语音识别引擎，可以实现单独的语音唤醒功能，性能参差不齐。

简单说明各算法优缺点

Sphinx

优点

前端结构模块化较好。包括实现预加重、加窗、FFT、Mel频率滤波器、离散余弦变换、MFCC特征提取

通用的声学模型结构

适合嵌入到Android、ARM平台

操作文档具有很好的可读性，易于学习，贴近实践操作

缺点

采用传统的HMM-GMM框架，对其原理的学习及掌握具有一定的难度

Mozilla DeepSpeech

优点

该模型的准确性接近人类在听同样的录音时的感知

Mozilla还发布了世界上第二大公开的语音数据集，这是全球近2万名用户的贡献

缺点

语音数据主要集中在英文语言，还缺乏多种语音数据集的支持

男性语音数据暂时多于女性语音数据

HTK

优点

代码历史悠久、稳定、高效

操作文档HTKBOOK全面

模型训练工具齐全

缺点

采用传统的HMM框架，对其原理的学习及掌握具有一定的难度

模型训练的预处理的部分工作繁琐易出错

Julius

优点

支持神经网络建模

最新的版本采用模块化的设计思想，使得各功能模块可以通过参数配置

缺点

文档以日文居多

神经网络中的优化trick较多，较多地依赖于经验

Kaldi

优点

加入了对神经网络的支持

维护更新及时

学术界、工业界活跃度高，是目前主流的语音识别研发工具

缺点

通过公共接口的设计让不同的工具容易协作，但是增加了对脚本及算法的理解难度

神经网络中的优化较多，调参较多地依赖于经验

iATROS

优点

适用于语音和手写文字识别的实现

提供了一个模块化的结构，可以用来建立不同的系统，其核心是一个类维特比在Hidden Markov模型的网络搜索

提供离线识别和在线语音识别标准工具（基于ALSA模块）

缺点

网络复杂度较高，识别速度略慢

Wav2letter

优点

简单高效的端到端自动语音识别（ASR）系统，结合了基于卷积网络的声学模型和图解码

其被训练输出文字，转录语音，而无需强制对齐音素

引入了一个自动的序列标注训练分割准则，而不需要与CTC一致的对齐方式

缺点

目前只能识别英文语音

---