ubuntu18.04+RTX2080深度学习环境搭建

搭建环境弄了半天，主要是因为各个环境版本号的问题辗转腾挪了很久，再次记录一下最终成功run起来的软硬件版本号：

1. cpu 8700K，gpu rtx2080
2. ubuntu 18.04 64位
3. gcc g++版本调整为7.3（ubuntu18.04的自带版本）
4. NVIDIA驱动 410，手动方式安装，参考https://linuxconfig.org/how-to-install-the-nvidia-drivers-on-ubuntu-18-04-bionic-beaver-linux
5. CUDA cuda_10 (参考https://docs.nvidia.com/cuda/或者https://codertw.com/%E7%A8%8B%E5%BC%8F%E8%AA%9E%E8%A8%80/538832/)
6. cudnn libcudnn7_7.4（参考6的链接，但发现附带examples的测试无法通过不影响tensorflow运行！环境变量配置参考https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#post-installation-actions但要注意\是换行的意思！）
7. ubuntu18系统自带了python3.6（千万不要通过apt-get方式卸载系统自带的python3或者python，如果想修改系统python版本，可通过update-alternative来进行），然后安装anaconda for python3.6版本，我的理解是anaconda内置了pip和conda，所以通过pip或者conda安装的python lib都是默认安装在了anaconda的环境（~/anaconda3/bin/python）；再用pycharm启动python工程时也要选择这个anaconda的环境（~/anaconda3/bin/python）
8. 如果原环境已安装了tensorflow，卸载python环境原来的tensorflow，用pip install的方式安装最新的tensorflow-gpu（1.13.0，之前的版本并不支持cuda10！）

 

ps1 用上面1-8的各软件版本，然后运行tensor-flow程序时提示：ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory；解决方案是运行如下命令：sudo ldconfig /usr/local/cuda-9.0/lib64

 

ps2 cudnn的意义在于哪里呢？“通过 TensorFlow(或 Theano、CNTK)，Keras 可以在 CPU 和 GPU 上无缝运行。在 CPU 上运行 时，TensorFlow 本身封装了一个低层次的张量运算库，叫作 Eigen;在 GPU 上运行时，TensorFlow 封装了一个高度优化的深度学习运算库，叫作 NVIDIA CUDA 深度神经网络库(cuDNN)”，可见这是用英伟达的gpu进行深度学习所依赖的重要组件。

 

彩蛋环节为搞完这一套软件后跑了个简单的tensorflow模型进行基准测试的结果：

Shape: (10000, 10000) Device: /cpu:0
Time taken: 0:00:05.056056

Shape: (10000, 10000) Device: /gpu:0
Time taken: 0:00:00.798914
 

可见即使是超频到5G的6核12线程的天梯图顶端的8700K在并行计算方面跟GPU的差距之大，大概就像空手道跆拳道之流和真正的中国功夫的差距那么大吧，哈哈！