ubuntu 18.04 GPU深度學習環境搭建

安裝的大致過程：

• 先安裝對應的顯卡驅動，如果之前已安裝則必須先刪除
• 安裝好了以後，重啟電腦，檢測一下顯卡驅動是否安裝成功
• 顯卡驅動裝成功後，開始安裝cuda
• 下載匹配的cuda版本，在安裝的時候選擇不要在安裝顯卡驅動其餘默認即可

• 安裝完成後檢驗一下是否安裝成功
• cuda安裝成功後，開始安裝cudnn,下載與cuda相對應版本的cudnn
• cudnn安裝完成後檢驗一下是否成功
• 上述均成功後，ＧＰＵ的環境就已經配好了，就可以試試ＧＰＵ的速度了

下面是一套具體的配置過程

1.硬體型號

GPU:NVIDIA GeForce RTX 2080 Founders Edition CPU:Intel 酷睿 i7 9700K

2. 下載RTX2080 Display Driver，cuda,cudnn

• RTX2080 Display Driver:

Linux x64 (AMD64/EM64T) Display Driver?

www.nvidia.com

• cuda: https://developer.nvidia.com/cuda-toolkit-archive 下載cuda9.0
• cudnn: https://developer.nvidia.com/rdp/cudnn-archive 下載Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 9.0 選擇下面的：cuDNN v7.3.1 Library for Linux

3.禁止系統默認的顯卡驅動

打開系統黑名單

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


將下列代碼填入文件末尾

# for nvidia display device install
blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist rivatv
blacklist nvidiafb


更新initramfs

sudo update-initramfs -u


重啟電腦

sudo reboot


查看是否禁用成功，無輸出則禁用成功

lsmod | grep nouveau


4.RTX2080顯卡驅動安裝（可參考安裝成功的輸出情況：https://www.jianshu.com/p/764edaff301e）

首先安裝gcc，g++，make

sudo apt-get install -y gcc g++ make


Ctrl+Alt+F1~F6進入命令行模式

sudo chmod a+x NVIDIA-Linux-x86_64-410.57.run
sudo ./NVIDIA-Linux-x86_64-410.57.run


如果原來安裝過，需要先卸載

sudo apt-get --purge remove nvidia-*


或者

sudo ./NVIDIA-Linux-x86_64-410.57.run -uninstall


最好在進行

sudo apt-get autoremove


開機後nvidia-smi命令查看顯卡驅動是否啟用。

5.cuda9.0安裝

cuda對應的有一下四個文件，需要統統下載，第一個是主文件，後3個相當於補丁(個人只裝了第一個），如需全部安裝，可參考：https://blog.csdn.net/u010801439/article/details/80483036

gcc和g++版本降級，ubuntu18.04默認gcc7.3，降級為gcc5，則ubuntu17.04和ubuntu16.04的cuda9.0都能編譯

sudo apt-get install gcc-5 gcc-5-multilib g++-5 g++-5-multilib


將gcc和g++版本切換成gcc5和g++5

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 40
sudo update-alternatives --config gcc


輸入想要使用的gcc編號

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-7 40
sudo update-alternatives --config g++


輸入想要使用的g++編號，查看gcc版本，已經切換到了gcc5

gcc -v


cuda9.0安裝 (安裝選項可參考：https://blog.csdn.net/autocyz/article/details/51841157）

sudo sh cuda_9.0.176_384.81_linux.run


是否安裝顯卡驅動選擇no，之前已經安裝過了 設置cuda環境變數

gedit ~/.bashrc


在.bashrc文件末尾添加如下代碼，則當前用戶可以使用

# cuda9.0
export PATH=$PATH:/usr/local/cuda-9.0/bin/
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64/
#export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64/


或者在profile中添加上面代碼，則所有用戶都能使用

gedit /ect/profile


重啟電腦

sudo reboot


測試cuda9.0是否安裝成功

cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery


最後輸出的是Result = PASS，說明cuda9.0安裝成功了

6. cudnn的安裝

下載下來的壓縮文件是.tar.gz，解壓cudnn會生成cuda文件夾，進行如下操作

cd cuda
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
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*


至此，GPU環境安裝完成，下面試試GPU的速度

tensorflow 運行GPU，參考：http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/using_gpu.html

keras 運行GPU,參考：https://blog.csdn.net/zz2230633069/article/details/80782692，主要是conda install keras-gpu,安裝好了之後，使用keras進行編寫，程序自動在gpu上面運行。

７．如何在jupyter中使用tensorflow-gpu

主要解決jupyter中tensorflow的使用問題

參考：https://blog.csdn.net/tina_ttl/article/details/51762471#34-%E5%A6%82%E4%BD%95%E5%9C%A8jupyter%E4%B8%AD%E4%BD%BF%E7%94%A8tensorflow

問題原因猜想：主要是jupyter的安裝路徑和tensorflow-gpu的路徑之間的問題。

所有參考鏈接：

1 https://blog.csdn.net/VcosmosV/article/details/83022682

2 https://www.jianshu.com/p/764edaff301e3 https://blog.csdn.net/autocyz/article/details/518411574 https://blog.csdn.net/u010801439/article/details/804830365 http://wiki.jikexueyuan.com/project/tensorflow-zh/how_tos/using_gpu.html6 keras-gpu https://blog.csdn.net/zz2230633069/article/details/807826927 如何在jupyter中使用tensorflow https://blog.csdn.net/tina_ttl/article/details/51762471#34-%E5%A6%82%E4%BD%95%E5%9C%A8jupyter%E4%B8%AD%E4%BD%BF%E7%94%A8tensorflow
推薦閱讀：

相关文章