Ubuntu 18.04深度学习环境配置（CUDA9.0+CUDDN7.4+TensorFolw1.8）(转载)

写在前面

在别人公众号上看到的这篇文章，觉得很有用，顾转载到自己的博客
原文地址：Ubuntu 18.04深度学习环境配置（CUDA9.0+CUDDN7.4+TensorFolw1.8）

说明

因为Ubuntu18.04刚发布不久，在安装CUDA和CUDDN中还没有匹配版本，最高也是17.04的版本，但实际上18.04的版本具有很强的兼容性。为避免读者踩坑，本文测试成功了Ubuntu18.04环境下配置深度学习环境（GPU:1080ti），包括：
CUDA9.0+CUDDN7.4+TensorFolw1.8+Pytorch0.4的安装和测试，并提供相关软件下载。

硬件配置

DELL R730服务器(机架式2U服务器)
显卡 1080TI 2
内存 64G
CPU 2620V4 2
电源 DELL 1600w 2
硬盘 600G2+2T*2

安装

备注：安装步骤提到的所有安装包和驱动，本文提供下载，在本文结尾处有下载地址。

1、安装Ubuntu

使用U盘进行Ubuntu操作系统的安装：
参考：怎么用u盘安装ubuntu
Windows下安装Ubuntu 16.04双系统
双系统ubuntu安装分区home,boot,root,swap,usr,tmp大小
一开始安装选择"Install Ubuntu"回车后过一会儿屏幕如果显示“输入不支持”，这和Ubuntu对显卡的支持有关，在安装主界面的F6，选择nomodeset，就可以进入下一步安装了

安装过程略，安装镜像下载地址：Download Ubuntu Desktop
下载：ubuntu-18.04.1-desktop-amd64.iso
备注：如果下载不方便，本文末尾处提供百度云下载。

2、安装ssh

备注：这一步需要到服务器桌面上的命令窗口输入，这一步完成后，就可以用ssh工具远程连接服务器了，本文使用的是XShell。

sudo apt-get install openssh-server

3、安装1080TI显卡驱动

sudo apt-get purgenvidia*

添加Graphic Drivers PPA

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

查找最合适的版本：

ubuntu-drivers devices

图：可用的nvidia驱动列表

图中可以看出推荐的是最新的415版本的驱动，安装该驱动：

sudo apt-get install nvidia-driver-415

安装完毕后重启机器：

sudo reboot

重启完毕运行

nvidia-smi

看看生效的显卡驱动：

图：生效的显卡驱动

4、安装依赖库

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-devlibgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

5、GCC降低版本

CUDA9.0要求GCC版本是5.x或者6.x，其他版本不可以，需要自己进行配置，通过以下命令才对GCC版本进行修改。

• 版本安装

# 版本安装：
sudo apt-get install gcc-5
sudo apt-get install g++-5

• 通过命令替换掉之前的版本

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50

6、安装CUDA9.0

• 下载网址：CUDA Toolkit 9.0 Downloads
  
• 版本选择：
  linux–x86-64，Ubuntu–17.04，runfile(local)，下载Base Installer和4个Patch

备注：如果下载不方便，本文末尾处提供百度云下载。

下载进入目录后，依次执行命令：

注意：在安装过程中会提示是否需要安装显卡驱动，在这里要选择n，其他的选择y或者回车键进行安装:

sudo sh cuda_9.0.176_384.81_linux.run

sudo sh cuda_9.0.176.1_linux.run

sudo sh cuda_9.0.176.2_linux.run

sudo sh cuda_9.0.176.3_linux.run

sudo sh cuda_9.0.176.4_linux.run

• 在~/.bashrc 中设置环境变量：

sudo vi ~/.bashrc

在最后添加：

exportPATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}} 
exportLD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

运行

source ~/.bashrc

使其生效，最好重启一下。

sudo reboot

重启后，测试CUDA是否成功（此步骤可以省略）

cd ~/NVIDIA_CUDA-9.0_Samples/1_Utilities/deviceQuery 
make -j4  
sudo ./deviceQuery

若会输出相应的显卡性能信息，Result = PASS，表明CUDA安装成功。

7、安装CUDNN

下载地址：点击此处
需要登录，同意后才能下载。
备注：如果下载不方便，本文末尾处提供百度云下载。
点击：
Download cuDNN v7.4.1(Nov 8, 2018), for CUDA 9.0 --cuDNNLibrary for Linux
下载时候保存为：cudnn-9.0-linux-x64-v7.4.1.5.tgz
下载后安装非常简单，就是解压然后拷贝到相应的系统CUDA路径下，注意最后一行拷贝时 "-d"不能少，

tar -zxvf cudnn-9.0-linux-x64-v7.4.1.5.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*

没有报错就是全部安装完成了。

8、安装Tensorflow GPU 1.8

由于Anaconda可以提供完整的科学计算库，所以直接使用Anaconda来进行相关的安装。
1）安装Anaconda
下载地址：Download Anaconda Distribution
备注：如果下载不方便，本文末尾处提供百度云下载。
这里我们下载Python 3.7 64bit 的Anaconda3-5.3.0-Linux-x86_64.sh，直接安装即可。

bash Anaconda3-5.3.0-Linux-x86_64.sh

2）更改pip和conda为国内的源
由于国内访问pip和conda比较慢，建议更改为国内的源：

a）更改pip的源为阿里云：

mkdir ~/.pip

cat > ~/.pip/pip.conf << EOF
[global]
trusted-host=mirrors.aliyun.com
index-url=https://mirrors.aliyun.com/pypi/simple/
EOF

b）更改conda的源为清华大学：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

3）在Anaconda中安装Python3.6的虚拟环境
由于Anaconda的python版本是3.7的，TensorFlow尚不支持此版本，于是我们创建一个Python的虚拟环境

conda create --name tf python=3.6 #创建tf环境

虚拟环境主要命令：

source activate tf             #激活tf环境

source deactivate tf          #退出tf环境

conda remove --name tf --all  #删除tf环境（全部删除）

4）在Anaconda中安装TensorFlow GPU 1.8

pip install --ignore-installed --upgrade tensorflow-gpu

将会自动安装如下组件：

numpy 、wheel 、tensorflow-tensorboard 、six、protobuf 、html5lib 、markdown、werkzeug 、bleach、setuptools

5）使用下列代码测试安装正确性

命令行输入：

source activate tf
python

Python命令下输入以下代码：

import tensorflowas tf
hello= tf.constant('Hello, TensorFlow!')
sess= tf.Session()
print(sess.run(hello))

没有报错就是配置好了。

9、安装Keras

直接在这个虚拟环境中安装：

pip install keras

10、安装Pytorch

直接在这个虚拟环境中安装：

conda install pytorch torchvision -c pytorch

测试Pytorch是否安装成功：
命令行输入：

source activate tf
python

python命令下输入以下代码：

import torch
print(torch.cuda.is_available())

返回True说明安装成功了。

总结

因为Ubuntu18.04刚发布不久，用户相对比较少，为避免读者踩坑，本文测试成功了Ubuntu18.04环境下配置深度学习环境（GPU:1080ti），包括：
CUDA9.0+CUDDN7.4+TensorFolw1.8+Pytorch0.4的安装和测试，并提供相关软件的百度云下载。

一些实用的博客

深度学习者的入门福利-Keras深度学习笔记

参考

Ubuntu18.04深度学习GPU环境配置

百度云下载：
链接：https://pan.baidu.com/s/11AxudhGg3KicM8NzBjvFiw
提取码：w214