zoukankan      html  css  js  c++  java
  • 深度学习环境搭建(CUDA9.0 + cudnn-9.0-linux-x64-v7 + tensorflow_gpu-1.8.0 + keras)

    关于计算机的硬件配置说明

    推荐配置

    如果您是高校学生或者高级研究人员,并且实验室或者个人资金充沛,建议您采用如下配置:

    • 主板:X299型号或Z270型号
    • CPU: i7-6950X或i7-7700K 及其以上高级型号
    • 内存:品牌内存,总容量32G以上,根据主板组成4通道或8通道
    • SSD: 品牌固态硬盘,容量256G以上
    • 显卡:NVIDIA GTX TITAN(XP) NVIDIA GTX 1080ti、NVIDIA GTX TITAN、NVIDIA GTX 1080、NVIDIA GTX 1070、NVIDIA GTX 1060 (顺序为优先建议,并且建议同一显卡,可以根据主板插槽数量购买多块,例如X299型号主板最多可以采用×4的显卡)
    • 电源:由主机机容量的确定,一般有显卡总容量后再加200W即可

    最低配置

    如果您是仅仅用于自学或代码调试,亦或是条件所限仅采用自己现有的设备进行开发,那么您的电脑至少满足以下几点:

    • CPU:Intel第三代i5和i7以上系列产品或同性能AMD公司产品
    • 内存:总容量4G以上

    CPU说明

    • 大多数CPU目前支持多核多线程,那么如果您采用CPU加速,就可以使用多线程运算。这方面的优势对于服务器CPU志强系列尤为关键

    显卡说明

    • 如果您的显卡是非NVIDIA公司的产品或是NVIDIA GTX系列中型号的第一个数字低于6或NVIDIA的GT系列,都不建议您采用此类显卡进行加速计算,例如NVIDIA GT 910NVIDIA GTX 460 等等。
    • 如果您的显卡为笔记本上的GTX移动显卡(型号后面带有标识M),那么请您慎重使用显卡加速,因为移动版GPU容易发生过热烧毁现象。
    • 如果您的显卡,显示的是诸如 HD5000,ATI 5650 等类型的显卡,那么您只能使用CPU加速
    • 如果您的显卡芯片为Pascal架构(NVIDIA GTX 1080,NVIDIA GTX 1070等),您只能在之后的配置中选择CUDA 8.0

    基本开发环境搭建

    1. Linux 发行版

    linux有很多发行版,本文强烈建议读者采用新版的Ubuntu 16.04 LTS 一方面,对于大多数新手来说Ubuntu具有很好的图形界面,与乐观的开源社区;另一方面,Ubuntu是Nvidia官方以及绝大多数深度学习框架默认开发环境。 个人不建议使用Ubuntu其他版本,由于GCC编译器版本不同,会导致很多依赖无法有效安装。 Ubuntu 16.04 LTS下载地址:http://www.ubuntu.org.cn/download/desktop 通过U盘安装好后,进行初始化环境设置。

    2. Ubuntu初始环境设置

    • 安装开发包 打开终端输入:
    # 系统升级
    >>> sudo apt update
    >>> sudo apt upgrade
    # 安装python基础开发包
    >>> sudo apt install -y python-dev python-pip python-nose gcc g++ git gfortran vim
    
    • 安装运算加速库 打开终端输入:
    >>> sudo apt install -y libopenblas-dev liblapack-dev libatlas-base-dev
    

    3. CUDA开发环境的搭建(CPU加速跳过)

    如果您的仅仅采用cpu加速,可跳过此步骤 - 下载CUDA8.0

    下载地址:https://developer.nvidia.com/cuda-downloads

    之后打开终端输入:

    >>> sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb (此步所用run文件安装,无需一下两步)
    >>> sudo apt update
    >>> sudo apt -y install cuda
    

    自动配置成功就好。

    • 将CUDA路径添加至环境变量 在终端输入:
    >>> sudo gedit /etc/profile
    

    profile文件中添加:

    export CUDA_HOME=/usr/local/cuda-8.0
    export PATH=/usr/local/cuda-8.0/bin:${PATH:+:${PATH}}
    export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
    

    之后source /etc/profile即可

    • 测试 在终端输入:
    >>> nvcc -V
    

    会得到相应的nvcc编译器相应的信息,那么CUDA配置成功了。(记得重启系统)

    如果要进行cuda性能测试,可以进行:

    >>> cd /usr/local/cuda/samples
    >>> sudo make -j8
    

    编译完成后,可以进samples/bin/.../.../...的底层目录,运行各类实例。

    4. 加速库cuDNN(可选)

    从官网下载需要注册账号申请,两三天批准。网盘搜索一般也能找到最新版。 Linux目前最新的版本是cudnn V6,但对于tensorflow的预编译版本还不支持这个最近版本,建议采用5.1版本,即是cudnn-8.0-win-x64-v5.1-prod.zip。 下载解压出来是名为cuda的文件夹,里面有bin、include、lib,将三个文件夹复制到安装CUDA的地方覆盖对应文件夹,在终端中输入:

    >>> sudo cp include/cudnn.h /usr/local/cuda/include/
    >>> sudo cp lib64/* /usr/local/cuda/lib64/
    >>> cd /usr/local/cuda/lib64
    >>> sudo ln -sf libcudnn.so.7.0.3 libcudnn.so.7
    >>> sudo ln -sf libcudnn.so.7 libcudnn.so
    >>> sudo ldconfig -v
    

    Keras框架搭建

    相关开发包安装

    终端中输入:

    >>> pip install tensorflow_gpu-1.8.0-cp36-cp36m-manylinux1_x86_64.whl
    >>> sudo pip install -U --pre keras
    

    安装完毕后,输入python,然后输入:

    >>> import tensorflow
    >>> import keras
    

    无错输出即可

    Keras中mnist数据集测试

    下载Keras开发包

    >>> git clone https://github.com/fchollet/keras.git
    >>> cd keras/examples/
    >>> python mnist_mlp.py
    

    程序无错进行,至此,keras安装完成。

  • 相关阅读:
    Codeforces 1291 Round #616 (Div. 2) B
    总结
    刷新DNS解析缓存+追踪+域名解析命令
    数学--数论--Hdu 5793 A Boring Question (打表+逆元)
    Lucene.net(4.8.0) 学习问题记录六:Lucene 的索引系统和搜索过程分析
    LeetCode 117 Populating Next Right Pointers in Each Node II
    LeetCode 116 Populating Next Right Pointers in Each Node
    test test
    LeetCode 115 Distinct Subsequences
    LeetCode 114. Flatten Binary Tree to Linked List
  • 原文地址:https://www.cnblogs.com/lantingg/p/9788637.html
Copyright © 2011-2022 走看看