从零开始手把手教你运行3D-Unet神经网络 环境需求以及深度学习环境配置（一）

目录

配置：

1. 安装Ubuntu 18.04/16.04：

2. 安装Anaconda3

3. 安装Cuda 10

4. 配置对应版本的cudnn

5. 检验环境配置情况

6.安装所需软件包

---

需求：

(如下是测试的配置，不是硬性要求哈~)

硬件环境：两块NVIDIA TITAN XP GDDR5X 12 GB、16GB内存、Intel Core i7-7800X

软件环境：anaconda3(基于Python 3.7)、cuda10、cudnn 7.4.2、Qt5、Ubuntu 18.04

配置：

1. 安装Ubuntu 18.04/16.04，以及安装显卡驱动，详情见：

https://blog.csdn.net/wanghaoranand/article/details/96443874

2. 安装Anaconda3

• 定位对应目录下sudo sh Anaconda3-2019.07-Linux-x86_64.sh完成安装，选项均Yes

• 打开环境变量设置sudo gedit ~/.bashrc

• 最后一行加入export PATH="/home/xupp/anaconda3/bin:$PATH"

• 执行代码完成修改source ~/.bashrc

3. 安装Cuda 10

• 定位对应目录下sudo sh cuda_10.0.130_410.48_linux.run完成安装，过程中不选择安装Cuda自带的显卡驱动，其余选项均Yes

• 打开环境变量设置sudo gedit ~/.bashrc

• 最后一行加入，并按照Cuda的版本对其进行修改：（本文安装的版本为10.0，若安装9.0，则将10.0改为9.0即可）

  export PATH=/usr/local/cuda-10.0/bin:$PATH
  
  export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH
  
  export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-10.0/lib64
  
  export PATH=$PATH:/usr/local/cuda-10.0/bin
  
  export CUDA_HOME=$CUDA_HOME:/usr/local/cuda-10.0

• 执行代码完成修改source ~/.bashrc

4. 配置对应版本的cudnn

解压下载得到的压缩包，并定位到cuda同级目录依次执行如下步骤：

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

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

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

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

5. 检验环境配置情况

• 检验anaconda安装情况：终端下输入如下代码，若跳出本机安装所有包的情况则安装成功

conda list

• 检验Cuda的安装情况：终端下输入如下代码查看当前安装的Cuda版本。

nvcc -V

• 检验cudnn的安装情况：终端下输入如下代码查看当前安装的cudnn的版本。

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

6.安装所需软件包

• 依次在终端执行

pip install nibabel tensorflow-gpu kerasl pytables nilearn SimpleITK nipype

• 测试gpu版tensorflow安装是否正确：

import tensorflow as tf

a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')

b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')

c = a + b

# 通过log_device_placement参数来输出运行每一个运算的设备。

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

print (sess.run(c))