ubuntu服务器上搭建 keras环境(tensorflow [cpu / gpu] 作为后端)

引言

服务器上搭建环境其实与本地也差不多，只是在服务器上我们往往没有sudo的权限，所以所有需要sudo命令的步骤可能都无法执行。所以如果你学会了在服务器上搭建环境，在本地肯定是ok的。

miniconda3 安装

miniconda3是Anaconda3的简略版，如果只是使用到Anaconda3的包管理功能，可以考虑使用miniconda3。当然如果你内存够大，选anaconda3也是ok的。
从miniconda3的官网下载对应版本的.sh文件，对应版本这个看三点：

1. 操作系统
2. 32位还是64位（建议最好选择64位，如果自己电脑是64位的话）
3. python版本2.x 和 3.x（这个如果自己没有特别要求的话，建议选3.x）

下载好之后直接使用sh命令安装即可。安装过程中问到是否将 miniconda3 的安装路径写入到 ~/.bashrc 文件中，选择 yes。如果不需要，可以自己到这个文件中进行删除。

创建python虚拟环境

这个步骤可以参考pytorch官网的步骤，比tensorflow官网的安装步骤更实用一点。这里也简单地列一下。

注意： 下好miniconda3或者Anaconda3之后需要重开一个窗口才可以使用conda命令。

conda create -n tensorflow python=x.x(2.7, 3.6等)

创建名为 tensorflow 的python环境

注意： 千万！千万！千万不要贪图最新的python版本，不设置python参数的话也会默认安装最新的版本。需要根据tensorflow的版本所支持的python版本进行选择。而tensoflow的cpu版本没有什么讲究，gpu版本则要根据cuda以及cudnn的版本进行选择。如果用3.x的话，建议盲选3.5或者3.6（开玩笑哈哈哈，最好还是根据官网对应地选），后面会介绍到因为版本出现的个别bug。

source/conda activate tensorflow

使用 source 或者 conda 命令切换到tensorflow环境下

source/conda deactivate

使用 source 或者 conda 命令退出当前python环境

验证cuda 以及 cudnn(gpu版本，可选)

cuda，以及 cudnn 这是使用gpu所必须的。之所以说可选是因为大部分有gpu的服务器已经帮你装好了cuda以及cudnn。如果真的需要自己在服务器上装的话，这里有一篇可以供参考：传送门

那么如何检查是否安装好cuda， cudnn呢？

检查 cuda:

cat /usr/local/cuda/version.txt

看其他博文有说这个version.txt中的结果与命令 nvcc -V的结果不一样时，是因为服务器中装了多个cuda，以 nvcc -V的结果为正在使用的版本。但是笔者的服务器刚好没有装nvcc，所以也无法验证。

如果发现cuda已安装，可在自己的账户下的~/.bashrc文件底部添加如下命令，将cuda的安装目录加入到系统环境变量中。

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

检查cudnn:

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

如果已装有cudnn的话，结果会显示四个宏定义，包括CUDNN的版本号的宏定义。主要关注CUDNN_MAJOR的大小即可。

根据cuda以及cudnn的版本就可以从tensorflow的官网中找到自己合适的tensorflow的版本，记下版本号

安装所需的工具包（tensorflow, keras等）

根据之前选择的版本号，安装对应的tensorflow的cpu版本或gpu版本:

pip install tensorflow==1.x.x / tensorflow-gpu==1.x.x

注意：

1. 这里使用pip 没有使用 conda，使用conda 安装的时候，在下载gpu版本的时候会连带下载对应的cpu版本，故选pip管理工具进行下载比较好。
2. 如果不指定特定的版本，会默认安装最新的版本，这很可能不被服务器支持，所以还是需要找到合适的tensorflow版本。

conda install keras==2.x.x

一键安装keras，相关的依赖都会安装。

这里强调一下keras与tensorflow的版本也需要搭配一下： tensorflow 1.4.0 和keras 2.1.3搭配，tensorflow 1.3.0 和keras 2.1.2 搭配。其他的版本搭配可以自行百度一下。

安装完成之后，在终端输入python，import keras ，验证keras安装是否成功。

验证gpu版本的安装成功，可激活创建的python环境，输入python ，进入python命令行。输入：

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

如果出现大量的gpu信息，则说明安装成功。

注意： 之前有人说当 import keras 时出现相关gpu的信息说明 gpu版本安装成功，但是实际并不完全正确。可能如果是自己本地安装的cuda以及cudnn这个方法才比较准确。而如果是服务器中已有的cuda，cudnn，建议按照示例进行验证。

过程中的小bug

1. 安装tensorflow-gpu 1.4.0，以及最新的keras的过程中出现："module 'tensorflow.python.ops.nn' has no attribute 'leaky_relu'"
   解决：版本问题。降低keras的版本，以及 tensorflow的版本。参考：传送门。但是降低的时候也要兼顾服务器所兼容的tensorflow版本。笔者的服务器适用的是tensorflow 1.3.0 和 1.4.0 。将keras降到2.1.2，tensorflow-gpu降到1.3.0。

2. 当激活 tensorflow环境的时候，出现："-bash: activate: No such file or directory"，而且对文件及文件夹的颜色标识也消失。
   解决：检查~/.bashrc文件或其他配置文件中是否有miniconda3的安装目录，如果没有，则补充上去。如果有，则只需使其生效即可，输入：source ~/.bashrc 即可。