linux系统下cuda9.0、cudnn7.0、tensorflow-gpu1.5.0安装

linux系统下cuda9.0、cudnn7.0、tensorflow-gpu1.5.0安装

看了很多安装办法，总是不能一次性安装成功，第一次写自己的安装过程，因为没有事先准备，所以安装过程中的截图就只能东拼西凑，尽量把过程写详细点。
用的是公司的服务器，我看了很多办法都是在ubuntu系统下完成的，很多安装语法都没法使用，我现在还一知半解的，这台服务器环境大概的如下：

GPU：GeForce GTX 1060
gcc—4.8.5
Centos7

查看nvidia GPU版本

nvidia-smi

查看nvidia 驱动版本

cat /proc/driver/nvidia/version

最开始是为了安装tensorflow-gpu版本加快程序运行速度，最后发现原本的cuda10.1版本太高，并不兼容，所以就有了接下来漫长的卸载安装卸载安装的过程。
cudnn中的cu是CUDA的简写，dnn是deep neural network的简写
首先确认当前cuda版本

cat /usr/local/cuda/version.txt

安装cuda

进入nvidia developer网站下cuda9.0安装网址

安装图中深绿色窗口选择，这些选择都是对应了linux系统版本情况，可以根据自身CentOS版本选择7或者6,选择完之后，安装包会自动生成

点击下载按钮，会生成下载界面，如果普通下载或者迅雷下载会时不时就中断，所以我选择在系统下下载。

下载窗口

这里不使用下载或者迅雷下载，而是点击复制链接地址，使用如下命令
wget 复制过的链接地址

回车运行就不会出现中断下载失败啦
下载好之后会出现名字为如下一长串看起来不好操作

cuda_9.0.176_384.81_linux.run？Bgpc221fK3Z4SjoITU3M_aEWpid1xJ11hx0W33TqIuk1WkzFIkMSO3mDSwyVuLPVtXZQIg7B1iRqHcPPp7Vp-G4IBhfThG3RbSVdwCLs1cfJEcFwebxAyrCDYbOh1w8KKau4FJv5K5DB_1RuWnsUSiuvQo7M6L27A7BIQIQVaiC5FpN2tGEf2cQi

可以使用如下命令行修改文件ming

mv 原文件名 新文件名(cuda_9.0.176_384.81_linux.run)

下载完成之后，给文件赋予执行权限：

chmod +x cuda_9.0.176_384.81_linux.run

执行安装包，开始安装：

sh cuda_9.0.176_384.81_linux.run

开始安装之后，需要阅读说明，建议使用空格键或者enter键慢慢阅读。然后进行配置
除了第一个提示界面输入accept之外其他都是y/n
唯一选择n的是,其余都是y

这里选择不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

安装完成之后，可以配置他们的环境变量，在vim ~/.bashrc的最后加上以下配置信息：

export PATH=/usr/local/cuda-9.0/bin
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64\

最后使用命令source ~/.bashrc使它生效

source ~/.bashrc

可以使用命令nvcc -V查看安装的cuda版本信息：

[root@192-168-1-110 ~]# nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Sep__1_21:08:03_CDT_2017
Cuda compilation tools, release 9.0, V9.0.176

测试安装是否成功

执行以下几条命令：

[root@192-168-1-110 ~]# cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery
[root@192-168-1-110 deviceQuery]# make
make: Nothing to be done for `all'.
[root@192-168-1-110 deviceQuery]# ./deviceQuery
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 1060 6GB"
  CUDA Driver Version / Runtime Version          10.1 / 9.0
  CUDA Capability Major/Minor version number:    6.1
  Total amount of global memory:                 6078 MBytes (6373179392 bytes)
  (10) Multiprocessors, (128) CUDA Cores/MP:     1280 CUDA Cores
  GPU Max Clock rate:                            1759 MHz (1.76 GHz)
  Memory Clock rate:                             4004 Mhz
  Memory Bus Width:                              192-bit
  L2 Cache Size:                                 1572864 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  2048
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
  Run time limit on kernels:                     No
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 66 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.1, CUDA Runtime Version = 9.0, NumDevs = 1
Result = PASS
[root@192-168-1-110 deviceQuery]# 

下载和安装CUDNN

根据cuda版本，选择7.5.0版本的cuDNN

点击，Download，出现系统选择界面，选择Linux版本，按照cuda安装流程，选择复制链接，使用wget语句下载

[root@192-168-1-110 ~]# wget https://developer.download.nvidia.cn/compute/machine-learning/cudnn/secure/v7.5.0.56/prod/9.0_20190219/cudnn-9.0-linux-x64-v7.5.0.56.tgz?YTyT4U_7EZChyVe17Zqc9aRGOmu7BQu5RtfhhdE0kkun2WJAVobzl26sqNim_4RM8LGU9KjPdcCegk6rRGxfa-qsVV_N8i1hKqn1pamYUUod9qyOSDp90Wx_qwfAX1NdzPGUBzfkXghIin1HsFJ2cQVr3ZbUkT6yQVN6paRihNQJjtjOXH-yJ7gUT1hGvVlkrGvk_SNGeewRL96z_cPX7gVa

下载之后是一个压缩包，将复杂的名字简短化，如下：

cudnn-9.0-linux-x64-v7.5.0.56.tgz

然后对它进行解压，命令如下：

tar -zxvf cudnn-9.0-linux-x64-v7.5.0.56.tgz

解压之后可以得到以下文件：

cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

使用以下两条命令复制这些文件到CUDA目录下：

cp cuda/lib64/* /usr/local/cuda-9.0/lib64/
cp cuda/include/* /usr/local/cuda-9.0/include/

可以使用以下命令查看CUDNN的版本信息：

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

到这里就算安装完成了CUDNN和CUDA了接下来按照版本安装对应tensorflow-GPU版本

安装tensorflow-GPU

接下来对应版本安装tensorflow-GPU版本

根据系统版本，安装1.5.0版本
如果直接使用pip install tensorflow-gpu会下载最新的1.13.0版本，结果发现不兼容，比如import tensorflow会出现下面的错误提示

Traceback (most recent call last):
  File "", line 1, in 
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/__init__.py", line 24, in 
    from tensorflow.python import *
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/__init__.py", line 49, in 
    from tensorflow.python import pywrap_tensorflow
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/pywrap_tensorflow.py", line 72, in 
    raise ImportError(msg)
ImportError: Traceback (most recent call last):
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/pywrap_tensorflow.py", line 58, in 
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 28, in 
    _pywrap_tensorflow_internal = swig_import_helper()
  File "/usr/local/lib/python2.7/dist-packages/tensorflow/python/pywrap_tensorflow_internal.py", line 24, in swig_import_helper
    _mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description)
ImportError: libcudnn.so.6（5/7/8/9）: cannot open shared object file: No such file or directory

Failed to load the native TensorFlow runtime.

See https://www.tensorflow.org/install/install_sources#common_installation_problems

for some common reasons and solutions.  Include the entire stack trace
above this error message when asking for help.

所以指定版本安装更为稳妥,指定用==符号

pip install tensorflow-gpu==1.5.0

这样就算安装成功啦

[root@192-168-1-110 lib64]# python3
Python 3.6.1 (default, Mar 24 2019, 11:53:13) 
[GCC 4.8.5 20150623 (Red Hat 4.8.5-36)] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow
>>> 

这些都安装完成之后还会有一系列的问题，比如显卡溢出，GPU的内存太小，很多代码都跑不通等等等等，这就得训练自己的编程能力啦，我要去学习了。
这里转载了几篇博客的内容，也是通过他们我成功的安装完成了tensorflow-gpu。
Ubuntu安装和卸载CUDA和CUDNN
查看 CUDA cudnn 版本 查看Navicat GPU版本 查看nvidia 驱动版本
Centos7 安装NVDIA GPU+TensorFlow-gpu1.5.0