Ubuntu 18.04 一步一步搭建深度学习环境(TensorFlow GPU版)

Ubuntu 18.04 一步一步搭建深度学习环境(TensorFlow GPU版)

  • Ubuntu 18.04 一步一步搭建深度学习环境(TensorFlow GPU版)
    • 1 安装Ubuntu 18.04
      • (1)准备安装U盘
      • (2)安装Ubuntu
      • (3)更换国内源
    • 2 安装NVIDIA显卡驱动
      • (1)禁用nouveau驱动
      • (2)添加ppa源
      • (3)安装NVIDIA显卡驱动
    • 3 安装CUDA
      • (1)下载CUDA和cuDNN
      • (2)安装CDUA
      • (3)安装cuDNN
    • 4 安装配置Anaconda
      • (1)下载安装Anaconda
      • (2)创建环境
      • (3)安装TensorFlow,Keras,jupyter

Ubuntu 18.04 一步一步搭建深度学习环境(TensorFlow GPU版)

1 安装Ubuntu 18.04

(1)准备安装U盘

用UltraISO将ISO镜像写入U盘,选择写入硬盘映像。

(2)安装Ubuntu

(3)更换国内源

备份原来的源

sudo cp /etc/apt/sources.list /etc/apt/sources_init.list

使用gedit打开文档更换源

sudo gedit /etc/apt/sources.list

将阿里源复制进去替换所有内容,然后点击保存关闭

deb http://mirrors.aliyun.com/ubuntu/ xenial main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial main
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main
deb http://mirrors.aliyun.com/ubuntu/ xenial universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main
deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security universe

更新源

sudo apt-get update

复损坏的软件包,尝试卸载出错的包,重新安装正确版本的。

sudo apt-get -f install

更新软件

 sudo apt-get upgrade

2 安装NVIDIA显卡驱动

(1)禁用nouveau驱动

编辑文件blacklist.conf

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

在文件最后部分插入以下两行内容

blacklist nouveau
options nouveau modeset=0

更新系统

sudo update-initramfs -u

重启系统

验证nouveau是否已禁用

lsmod | grep nouveau

没有信息显示,说明nouveau已被禁用,接下来可以安装nvidia的显卡驱动。

(2)添加ppa源

打开终端,加入官方ppa源。

sudo add-apt-repository ppa:graphics-drivers/ppa

输入密码并按enter键确认。之后刷新软件库。

sudo apt-get update

(3)安装NVIDIA显卡驱动

到NVIDIA官网查看应安装版本
https://www.nvidia.cn/Download/index.aspx?lang=cn

打开软件更新->附加驱动->选择对应版本号驱动->应用更改,重启系统

perform mok management(不一定会出现)

安装完显卡驱动后,系统需要重启加载驱动,注意如果按照上述流程进行驱动安装,那在重启系统时,会出现一个蓝色背景的界面 perform mok management,正确的做法如下:

(1)当进入蓝色背景的界面perform mok management 后,选择 enroll mok ,
(2)进入enroll mok 界面,选择 continue ,
(3)进入enroll the key 界面,选择 yes ,
(4)接下来输入在安装驱动时输入的密码,
(5)之后会跳到蓝色背景的界面perform mok management 选择第一个 reboot

这样,重启后驱动就加载了

测试一下是否安装成功

nvidia-smi
nvidia-settings

3 安装CUDA

(1)下载CUDA和cuDNN

首先进入tensorflow网站查看支持的CUDA和cuDNN版本
https://tensorflow.google.cn/install/source

到NVIDIA官网下载对应版本的CUDA,选择runfile格式
https://developer.nvidia.com/cuda-downloads

到NVIDIA官网下载对应版本的cuDNN,登录,下载cuDNN Library for Linux
https://developer.nvidia.com/cudnn

(2)安装CDUA

所在目录下打开终端,运行

sudo sh cuda_xxxxxx.run

取消安装驱动的选项,完成安装

添加环境变量,运行

sudo gedit ~/.bashrc

在文件末尾添加:

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

运行,使文件生效

source ~/.bashrc

运行其中一个来测试是否安装成功

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

(3)安装cuDNN

解压并进入文件夹打开终端运行

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*

在终端查看CUDNN版本:

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

4 安装配置Anaconda

(1)下载安装Anaconda

到官网下载Anaconda
https://www.anaconda.com/distribution/

运行安装

bash Anaconda3-xxxxxx.sh

(2)创建环境

创建名为tf的环境,并安装pip

conda create -n tf pip

激活tf环境

source activate tf

进行pip换源,在~目录下创建.pip文件夹

mkdir .pip

运行

sudo gedit ~/.pip/pip.conf

写入以下内容并保存

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

(3)安装TensorFlow,Keras,jupyter

安装tensorflow GPU版

pip install tensorflow-gpu

安装keras

pip install keras

安装jupyter

pip install jupyter

安装jupyter扩展插件nbextensions

pip install jupyter_contrib_nbextensions

运行jupyter

jupyter notebook

测试是否安装成功

import tensorflow
import keras

如出现错误可重启后再试,如还提示找不到文件则检查环境变量

你可能感兴趣的:(Ubuntu 18.04 一步一步搭建深度学习环境(TensorFlow GPU版))