Tensorflow With Gpu 安装指南(ubuntu16.04)

安装指南

1.前言

由于这是我头一次接触Tensflow和深度学习的东西，所以在安装的时候遇到了不少的问题，非常感谢各种前辈们的博文，在经历了不停的搜索和挣扎后，我终于成功的安装了Tensorflow with GPU support。

好啦，废话不多说，下面就是详细的Tensorflow-Gpu安装详情了。

2.准备工作

在安装Tensorflow前我们首先要确定自己的电脑是否支持Gpu Support，以下是确认清单（如果已经核实完毕，可以跳过本章节）

  • 显卡的品牌必须为NVIDIA
  • 显卡必须要在CUDA支持列表中-Support GPUs
  • 安装 Python2.7 或者 Python3.x (可以同时安装2.7和3.x)
  • 确认你的 pip 或 pip3 版本 >= 8.1
  • 安装Python版本对应的 virtualenv

2.1 确认GPU是否支持CUDA

1 访问https://developer.nvidia.com/cuda-gpus

![](http://ox0sjjwt5.bkt.clouddn.com/17-9-29/35352778.jpg)

2 查找自己GPU的型号在下面的列表中(Compute Capability 体现的是你的运算能力,和其他无关)

![](http://ox0sjjwt5.bkt.clouddn.com/17-9-29/76156650.jpg)

2.2 安装python

2.2.1 Pythone 2.7 的安装与验证

1
2
3
4
5
# 安装 python2.7 发布版本，dev包必须安装，很多用pip安装包都需要编译
$ sudo apt-get install python2.7 python2.7-dev
# 校验安装的python 版本
$ python --version
输出结果: Python 2.7.12

2.2.2 Pythone 3.x 的安装与验证

1
2
3
4
5
# 安装 Python3.x 发布版本，dev包必须安装，很多用pip安装包都需要编译
$ sudo apt-get install python3.6 python3.6-dev
# 校验安装的python3 版本
$ python3 --version
输出结果: Python 3.6.2

Topic : 安装常见错误

  • Question 1 : 无法定位软件包
1
2
3
# 一般是因为无法获取正确的源造成的，请更新Ubuntu的源，并检查输入软件名称是否有误
# 换源指南 http://blog.csdn.net/happywho250/article/details/52506321
$ sudo apt-get update

2.3 安装pip

2.3.1 Python 2.x pip 安装与校验

1
2
3
4
5
# 安装 pip
$ sudo apt-get install python-pip
# 校验安装的pip 版本
$ pip --version
输出结果: pip 9.0.1 from /usr/local/lib/python2.7

2.4.2 Pythone 3.x pip3 安装与校验

1
2
3
4
5
# 安装 pip3
$ sudo apt-get install python3-pip
# 校验安装的pip3 版本
$ pip3 --version
输出结果: 输出结果: pip 9.0.1 from /usr/local/lib/python3.6

2.4.3 更新Pythone对应版本的pip(version >= 8.1 请跳过该步骤)

1
2
3
4
5
# Pythone 2.7 对应 pip 的升级方法
$ sudo pip install --upgrade pip
# Pythone 3.x 对应 pip 的升级方法
$ sudo pip3 install --upgrade pip

2.4 安装 virtualenv

2.4.1 virtualenv 安装与校验

1
2
3
4
5
# 安装 virtualenv
$ sudo python-virtualenv
# Pythone 3.x 对应 pip 的升级方法
$ virtualenv --version
输出结果: 15.1.0

3.安装CUDA和cuDNN支持

3.1 安装NVIDIA驱动

1
2
# 从软件源更新软件列表
$ sudo apt-get update

系统设置->软件更新->附加驱动->选择nvidia最新驱动(384)->应用更改

3.2 安装 CUDA 和 cuDNN 依赖

1
2
# 安装CUDA和cuDNN安装依赖
$ sudo apt-get install libcupti-dev

3.3 下载安装 CUDA8.0 和 cuDNN 6.0

3.3.1 CUDA8.0 安装

Tip : 为什么不下载 CUDA 9.0 和 cuDNN , 因为Tensflow暂时不支持这个版本 , 如果您安装的时间离 2017-09-29 有一段时间的话 ， 推荐您先搜索目前Tensflow支持CUDA的版本

1 访问 https://developer.nvidia.com/cuda-toolkit-archive

2 选择对应版本 CUDA ToolKit 8.0 GA2 (Feb 2017)

3 下载对应版本的Deb包

  • Case 1 ：Deb-Local版下载(推荐)

1
2
3
4
5
# 安装Deb的本地版本
$ sudo dpkg -i cuda-repo-ubuntu1604-8-0-local-ga2_8.0.61-1_amd64.deb
$ sudo apt-get update
# 请注意必须要使用cuda-8.0，不然将会现在现在的最新版本
$ sudo apt-get install cuda-8.0
  • Case 2 ：Deb-Network版下载(不推荐,仅当Local版本无法使用时作为代替)

1
2
3
4
5
# 安装Deb的网络版本
$ sudo dpkg -i cuda-repo-ubuntu1604_8.0.61-1_amd64.deb
$ sudo apt-get update
# 请注意必须要使用cuda-8.0，不然将会现在现在的最新版本
$ sudo apt-get install cuda-8.0

3.3.2 cuDNN 安装

1 访问 https://developer.nvidia.com/cudnn 点击Download后注册登录

2 下载### 附录3 ： 参考文献

3 查看下载后的文件(如图所示下载的内容应该是一个.tgz文件)

4 在terminal中输入以下命令安装

1
2
3
4
5
# 安装指南 (请在安装完CUDA后再安装cuDNN)
$ tar xvzf cudnn-8.0-linux-x64-v6.0.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*

3.3.3 配置 GPU Support 的环境依赖

以下两种方法你可以任选一种配置环境变量

  • case one : 在.bash_profile中配置环境变量
1
2
#在terminal中输入以下命令：
$ sudo gedit ~/.bash_profile
1
2
3
在文本中新增环境配置：
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda
1
2
#保存后，在terminal中输入以下命令：
$ source ~/.bash_profile
  • case two : 在.bash_profile中配置环境变量
1
2
#在terminal中输入以下命令：
$ sudo gedit ~/.bashrc
1
2
3
在文本中新增环境配置：
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"  
export CUDA_HOME=/usr/local/cuda
1
2
#保存后，在terminal中输入以下命令：
$ source ~/.bashrc

4.安装Tensorflow

4.1 Pythone 2.7 安装Tensorflow

1 首先找到你打算安装Tensorflow环境的位置(本教程中安装的位置为~目录下)

2 在terminal中输入以下命令：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# Case 1 :安装Tensorflow With GPU
$ virtualenv --system-site-packages tensorflow-gpu //tensorflow-gpu 为文件夹名称
$ source ~/tensorflow-gpu/bin/activate
// 在这之后请注意观察 $ 前面的部分
(tensorflow-gpu) $ pip install --upgrade tensorflow-gpu
//在terminal中输入以下命令退出虚拟环境
(tensorflow-gpu) $ deactivate
# Case 2 :安装Tensorflow CPU-only support
$ virtualenv --system-site-packages tensorflow //tensorflow 为文件夹名称
$ source ~/tensorflow/bin/activate
// 在这之后请注意观察 $ 前面的部分
(tensorflow) $ pip install --upgrade tensorflow
//在terminal中输入以下命令退出虚拟环境
(tensorflow) $ deactivate

4.2 Pythone 3.x 的Tensorflow安装

1 首先找到你打算安装Tensflow环境的位置(教程中安装的位置为~目录下)

2 在terminal中输入以下命令：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
# Case 1 :安装Tensorflow With GPU
$ virtualenv --system-site-packages -p python3 tensorflow-p3-gpu //tensorflow-p3-gpu 为文件夹名称
$ source ~/tensorflow-p3-gpu/bin/activate
// 在这之后请注意观察 $ 前面的部分
(tensorflow-p3-gpu) $ pip3 install tensorflow-gpu
//在terminal中输入以下命令退出虚拟环境
(tensorflow-p3-gpu) $ deactivate
# Case 2 :安装Tensorflow CPU-only support
$ virtualenv --system-site-packages -p python3 tensorflow-p3 //tensflow-gpu 为文件夹名称
$ source ~/tensorflow-p3/bin/activate
// 在这之后请注意观察 $ 前面的部分
(tensorflow-p3) $ pip3 install tensorflow
//在terminal中输入以下命令退出虚拟环境
(tensorflow-p3) $ deactivate

4.3 测试Tensorflow安装结果

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
# Case 1 : Python 2.7 Tensorflow 测试
$ source ~/tensorflow-gpu/bin/activate // 请将source后的地址换成您虚拟文件夹所在地址
$ python 
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
# Case 2 : Python 3.x Tensorflow 测试
$ source ~/tensorflow-p3-gpu/bin/activate // 请将source后的地址换成您虚拟文件夹所在地址
$ python3
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
  • Topic 1：如果是GPU支持版本的话，在Terminal中会输出GPU型号和训练时间

  • Topic 2：细心的同学会发现除了成功信息外会有不少警告信息，这说明你的CPU并没有达到最高效率，如果希望提高速度去掉这几个Warning的话，你需要下载Tensorflow源码自己进行打包编译

  • Topic 3：GPU版本如果在导入Tensorflow的时候出现bug，请参考以下方式修改CUDA文件权限

1
2
3
4
5
6
7
# 在terminal中输入以下命令：
$ cd /usr/local/cuda/lib64/
$ sudo rm -rf libcudnn.so libcudnn.so.6
$ sudo chmod u=rwx,g=rx,o=rx libcudnn.so.6.0.21
$ sudo ln -s libcudnn.so.6.0.21  libcudnn.so.6
$ sudo ln -s libcudnn.so.6 libcudnn.so
$ sudo ldconfig
  • Topic 4：如果在程序运行的过程始终出现CUDA out of memory，这是因为Tensorflow申请的GPU内存大于GPU能提供的内存

1
2
3
4
5
6
7
# 在代码session定义前新增配置：
>>> config = tf.ConfigProto(allow_soft_placement=True)
# 最多占gpu资源的70%
>>> gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
# 开始不会给tensorflow全部gpu资源 而是按需增加
>>> config.gpu_options.allow_growth = True
>>> sess = tf.Session(config=config)

附录

附录1 ： Ubuntu常见问题解决方法

  • Question 1： E 无法定位软件包
1
2
# 更换Ubuntu的软件源，并检查是否有输错软件名称
$ sudo apt-get update

Ubuntu换源帮助

附录2 ： CUDA 和 cuDNN 安装常见问题解决方法

  • Question 1： CUDA文件权限不足,无法被链接

1
2
3
4
5
6
#在terminal中输入以下命令：
$ cd /usr/local/cuda/lib64/
$ sudo rm -rf libcudnn.so libcudnn.so.6
$ sudo chmod u=rwx,g=rx,o=rx libcudnn.so.6.0.21 
$ sudo ln -s libcudnn.so.6.0.21  libcudnn.so.6
$ sudo ln -s libcudnn.so.6 libcudnn.so
  • Question 2： CUDA out of memory

1
2
3
4
5
6
7
# 在代码session定义前新增配置：
>>> config = tf.ConfigProto(allow_soft_placement=True)
# 最多占gpu资源的70%
>>> gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.7)
# 开始不会给tensorflow全部gpu资源 而是按需增加
>>> config.gpu_options.allow_growth = True
>>> sess = tf.Session(config=config)

附录3 ： 参考文献

扫一扫，分享到微信

微信分享二维码

tag:

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录（注意不是yilia根目录）执行以下命令：
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置： 

      jsonContent:
    meta: false
    pages: false
    posts:
      title: true
      date: true
      path: true
      text: false
      raw: false
      content: false
      slug: false
      updated: false
      comments: false
      link: false
      permalink: false
      excerpt: false
      categories: false
      tags: true

还在迷茫阶段<br>目前正在探索:<br><br>前端<br>Tensorflow