tensorflow配置服务器环境

linux服务器配置cuda&cdunn

CUDA:将代码放到gpu上
cudnn:优化gpu的计算能力，跑代码更快

一，选择正确的版本号

• tensorflow、cudnn和CUDA的版本号一定要对上
  • 先在服务器上检查显卡信息和CUDA版本号(CUDA Version: 11.0)

  nvidia-smi
  

  
  • 然后上网查一下具体的tensorflow和cudnn与CUDA对应的版本号,网址在此-对应表
  • 我的配置
    • tensorflow-2.4
    • CUDA-11.0
    • cudnn-8.0

二，配置并安装anaconda3

• 去官网下载一个linux的安装文件以.sh为文件拓展名 (官网:anaconda官网)
• 把它上传到服务器
• 安装它

  bash filename.sh
  

• 配置环境

  vim /etc/profile
  # 在文件底部添加
  export PATH=$PATH:/anaconda3/bin
  

• 添加channels

  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/conda-forge/
  conda config --set show_channel_urls=True
  #设置不自动进入base环境
  #conda config --swt auto_activate_base=False
  

三、配置tensorflow、CUDA和cudnn

• 直接用conda安装

  conda install -n envname cudatoolkit=11.0
  conda install -n envname cudnn=8.0
  conda install -n envname tensorflow-gpu=2.4
  #当然还要一些别的需要的一些库
  

• 安装好之后还要跳过sudo权限，删掉一个文件(实际上是哪报错删哪)

  rm -rf /anaconda3/envs/envname/lib/python3.8/site-packages/tensorflow/core/kernels/libbtfkernel_sobol_op.so
  

• 要检查一下，到底删了没，cd进去看看

四，怎么用gpu跑代码(tensorflow)

1. 在代码里加入

   tf.device('/gpu:num')#num是nvidia-smi里使用率小的显卡编号
   

2. 通过CUDA_VISIBLE_DEVICES指定

   import os
   #num1、num2同上，可多可单
   os.environ['CUDA_VISIBLE_DEVICES']='num1,num2'
   

3. 还可在终端指定

    CUDA_VISIBLE_DEVICES=num python train.py