Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8)

Ubuntu18.04深度学习环境配置(CUDA9+CUDNN7.4+TensorFlow1.8)

因为Ubuntu18.04刚发布不久,在安装CUDA和CUDDN中还没有匹配版本,最高也是17.04的版本,但实际上18.04的版本具有很强的兼容性。为避免读者踩坑,本文测试成功了Ubuntu18.04环境下配置深度学习环境(GPU:1080ti),包括:CUDA9.0+CUDNN7.4+TensorFlow1.8+Pytorch0.4的安装和测试,并提供相关软件下载。

一、硬件配置

DELL R730服务器(机架式2U服务器)
显卡 1080TI *2

内存 64G

CPU 2620V4* 2

电源 DELL 1600w *2

硬盘 600G*2+2T*2

二、安装

备注:安装步骤提到的所有安装包和驱动,本文提供下载,在本文结尾处有下载地址。

1.安装Ubuntu
使用U盘进行Ubuntu操作系统的安装:

参考:jingyan.baidu.com/artic

一开始安装选择"Install Ubuntu"回车后过一会儿屏幕如果显示“输入不支持”,这和Ubuntu对显卡的支持有关,在安装主界面的F6,选择nomodeset,就可以进入下一步安装了。

安装过程略,安装镜像下载地址:

ubuntu.com/download/des

下载:ubuntu-18.04.1-desktop-amd64.iso

备注:如果下载不方便,本文末尾处提供百度云下载。

2.安装ssh

备注:这一步需要到服务器桌面上的命令窗口输入,这一步完成后,就可以用ssh工具远程连接服务器了,本文使用的是XShell。

sudo apt-get install openssh-server

3. 安装1080TI显卡驱动

默认安装的显卡驱动不是英伟达的驱动,所以先把旧得驱动删除掉。

sudo apt-get purge nvidia*

添加Graphic Drivers PPA

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update

查看合适的驱动版本:

ubuntu-drivers devices
图:可用的nvidia 驱动列表

图中可以看出推荐的是最新的415版本的驱动,安装该驱动:

sudo apt-get install nvidia-driver-415

安装完毕后重启机器:

sudo reboot

重启完毕运行

nvidia-smi

看看生效的显卡驱动:

图:生效的显卡驱动


4.安装依赖库

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-devlibgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

5.GCC降低版本

CUDA9.0要求GCC版本是5.x或者6.x,其他版本不可以,需要自己进行配置,通过以下命令才对GCC版本进行修改。

  • 版本安装
# 版本安装:
sudo apt-get install gcc-5
sudo apt-get install g++-5


  • 通过命令替换掉之前的版本
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50


6.安装CUDA9.0

  • 下载网址:

developer.nvidia.com/cu


  • 版本选择:

linux--x86-64Ubuntu--17.04runfile(local),下载Base Installer和4个Patch

备注:如果下载不方便,本文末尾处提供百度云下载。

下载进入目录后,依次执行命令:

注意:在安装过程中会提示是否需要安装显卡驱动,在这里要选择n,其他的选择y或者回车键进行安装:

sudo sh cuda_9.0.176_384.81_linux.run


sudo sh cuda_9.0.176.1_linux.run


sudo sh cuda_9.0.176.2_linux.run


sudo sh cuda_9.0.176.3_linux.run


sudo sh cuda_9.0.176.4_linux.run


  • 在~/.bashrc 中设置环境变量:
sudo vi ~/.bashrc

在最后添加:

exportPATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}} 
exportLD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

运行

source ~/.bashrc

使其生效,最好重启一下。

sudo reboot

重启后,测试CUDA是否成功(此步骤可以省略)

cd ~/NVIDIA_CUDA-9.0_Samples/1_Utilities/deviceQuery 
make -j4  
sudo ./deviceQuery

若会输出相应的显卡性能信息,Result = PASS,表明CUDA安装成功。


7.安装CUDNN

developer.nvidia.com/rd

需要登录,同意后才能下载。

备注:如果下载不方便,本文末尾处提供百度云下载。

点击:

Download cuDNN v7.4.1(Nov 8, 2018), for CUDA 9.0 --cuDNNLibrary for Linux

下载时候保存为:cudnn-9.0-linux-x64-v7.4.1.5.tgz

下载后安装非常简单,就是解压然后拷贝到相应的系统CUDA路径下,注意最后一行拷贝时 "-d"不能少,

tar -zxvf cudnn-9.0-linux-x64-v7.4.1.5.tgz


sudo cp cuda/include/cudnn.h /usr/local/cuda/include


sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64


sudo chmod a+r/usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

没有报错就是全部安装完成了。

8.安装Tensorflow GPU 1.8

由于Anaconda可以提供完整的科学计算库,所以直接使用Anaconda来进行相关的安装。

1)安装Anaconda

下载地址:anaconda.com/download/

备注:如果下载不方便,本文末尾处提供百度云下载。

这里我们下载Python 3.7 64bit 的Anaconda3-5.3.0-Linux-x86_64.sh,直接安装即可。

bash Anaconda3-5.3.0-Linux-x86_64.sh

2)更改pip和conda为国内的源

由于国内访问pip和conda比较慢,建议更改为国内的源:

a.更改pip的源为阿里云:

mkdir ~/.pip


cat > ~/.pip/pip.conf << EOF
[global]
trusted-host=mirrors.aliyun.com
index-url=https://mirrors.aliyun.com/pypi/simple/
EOF


b.更改conda的源为清华大学:

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes


3)在Anaconda中安装Python3.6的虚拟环境

由于Anaconda的python版本是3.7的,TensorFlow尚不支持此版本,于是我们创建一个Python的虚拟环境

conda create --name tf python=3.6 #创建tf环境


虚拟环境主要命令:

source activate tf             #激活tf环境


source deactivate tf          #退出tf环境


conda remove --name tf --all  #删除tf环境(全部删除)


4)在Anaconda中安装TensorFlow GPU 1.8

pip install --ignore-installed --upgrade tensorflow-gpu


将会自动安装如下组件:

numpy 、wheel 、tensorflow-tensorboard 、six、protobuf 、html5lib 、markdown、werkzeug 、bleach、setuptools


5)使用下列代码测试安装正确性

命令行输入:

source activate tf
python

Python命令下输入以下代码:

import tensorflowas tf
hello= tf.constant('Hello, TensorFlow!')
sess= tf.Session()
print(sess.run(hello))

没有报错就是配置好了。


9.安装Keras

直接在这个虚拟环境中安装:

pip install keras

10.安装Pytorch

直接在这个虚拟环境中安装:

conda install pytorch torchvision -c pytorch

测试Pytorch是否安装成功:

命令行输入:

source activate tf
python


python命令下输入以下代码:

import torch
print(torch.cuda.is_available())

返回True说明安装成功了。

三、总结

因为Ubuntu18.04刚发布不久,用户相对比较少,为避免读者踩坑,本文测试成功了Ubuntu18.04环境下配置深度学习环境(GPU:1080ti),包括:

CUDA9.0+CUDNN7.4+TensorFlow1.8+Pytorch0.4的安装和测试,并提供相关软件的百度云下载。

2018-12-11更新:

conda安装方式:

conda install tensorflow-gpu==1.8

这个方式更加简单,可以在虚拟环境中试试。


参考

blog.csdn.net/weixin_41

也可以直接用百度云下载:

链接:pan.baidu.com/s/11Axudh

提取码:w214

编辑于 2018-12-11

文章被以下专栏收录

    机器学习爱好者,知识星球:92416895,微信公众号:机器学习初学者,www.ai-start.com,机器学习爱好者qq群:727137612