ubantu安裝cuda和GPU版tensorflow(詳細)
首先十分感謝我的老師對我的支援,終於申請到了電腦,現在終於可以在linux系統下載配置tensorflow-GPU加速器了,對於新手說安裝過程也是十分’感動’,掉坑無數,希望本文可以給大家帶來幫助。
步驟一:安裝Nvidia顯示卡驅動
步驟二:下載並安裝cuda8.0
步驟三:安裝GPU版tensorflow
步驟四:安裝atom及其外掛
步驟五:測試程式
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-384
sudo apt-get install mesa-common-dev
sudo apt-get install freeglut3-dev
重啟後在終端輸入nvidia-smi檢視啊驅動資訊:
步驟二:下載並安裝cuda8.0
說明:ubantu16.04只能安裝cuda8.0,其他版本安裝很多問題。
1、cuda下載
歷史版本連結https://developer.nvidia.com/cuda-toolkit-archive(需要註冊後下載,畢竟免費嘛),記得選擇cuda8的版本。
下載的是run檔案(不要問為什麼不載deb檔案,說多了都是淚… …)
2、cuda安裝
cd /download/ #首先跳轉至下載目錄或者直接在下載目錄開啟終端
sudo chmod +x cuda_8.0.61_375.26_linux.run
sudo ./cuda_8.0.61_375.26_linux.run
畫重點,敲!黑!! 板!!!
安裝提示是否安裝Linux-x86_64 361.62驅動,這裡必須輸入“N”不安裝,因為我們在步驟一就安裝了穩定的Nvidia驅動嘛,如果不小心按下了“Y”,那麼恭喜你,cuda後面的安裝都會出錯[笑哭]。
後面的全部按照預設即可,然後耐心等待一下,可以去喝杯茶或者咖啡~。
安裝完畢後,再宣告一下環境變數,並將其寫入到 ~/.bashrc 的尾部,終端輸入:sudo gedit ~/.bashrc
export PATH=/usr/local/cuda-8.0/bin\${PATH:+:\${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64\${LD_LIBRARY_PATH:+:\${LD_LIBRARY_PATH}}
最後測試cuda8.0,在終端執行以下命令:
cd ~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery
make
./deviceQuery
輸出Result = PASS 表示安裝成功。
**配置cudnn5/cudnn6
tensorflow1.4.0之前配置cundnn5.1是可以的,但是tensorflow1.4.0之後需要cudnn6.0
配置如下:
下載cudnn5/6解壓後cuda目錄下有include和lib64兩個資料夾。
複製標頭檔案cudnn.h到/usr/local/cuda-8.0/include/目錄下:
sudo cp cuda/include/cudnn.h/usr/local/cuda-8.0/include/
複製庫檔案lib*到/usr/local/cuda-8.0/lib64/目錄下:
sudo cp cuda/lib/lib*/usr/local/cuda-8.0/lib64/**
如果出現錯誤如下:libcudart.so.8.0: cannot open shared object file: No such file or directory
參考:https://blog.csdn.net/u010454261/article/details/71268325?utm_source=itdadao&utm_medium=referral
如果出現錯誤如下:
參考:https://blog.csdn.net/u013591306/article/details/79038125
步驟三:安裝GPU版tensorflow
#安裝python3
sudo apt-get install python-pip python-dev
sudo apt-get install python3
#安裝pip用來安裝tensorflow
sudo apt-get install python3-pip
sudo pip3 install -upgrade pip
#選擇python3作為預設,我們使用python3編寫程式
sudo update-alternatives --config python
sudo pip3 install tensorflow-gpu
一般前面說的方法很慢或者版本不對應
可以百度搜索:tensorflow清華大學映象源安裝方法,然後選擇對應自己的python版本安裝即可,速度賊快
安裝完成後可以在終端測試以下,如下圖tensorflow安裝成功
步驟四:安裝atom及其外掛
步驟五:測試程式
最後在atom新建一個檔案儲存問.py檔案,測試程式碼如下:
# Creates a graph.
import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
# Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
# Runs the op.
print(sess.run(c))
最後輸出如下,可以看到使用編譯程式碼的裝置,“GPU :0”:自己電腦上的GPU。如果電腦還有多個GPU,則為“GPU:1/2/3”。
相關推薦
ubantu安裝cuda和GPU版tensorflow(詳細)
首先十分感謝我的老師對我的支援,終於申請到了電腦,現在終於可以在linux系統下載配置tensorflow-GPU加速器了,對於新手說安裝過程也是十分’感動’,掉坑無數,希望本文可以給大家帶來幫助。 步驟一:安裝Nvidia顯示卡驅動 步驟二:下載並安裝cu
Ubuntu16.04安裝CUDA+cuDNN+GPU版TensorFlow過程記錄
一、安裝環境說明 軟體 版本 下載連結 說明 Ubuntu系統 16.04-64位 … … Python anaconda 3.6 不使用系統自帶的2.7版本 CUDA cuda_8
設定eclipse主題風格和取消黑色主題(詳細)
在網上收集了很多答案最後結合本人具體情況,彙總如下: 一、將程式碼區域設定成黑色主題 程式碼區設定自己喜歡的程式碼風格,讓你的程式碼與眾不同,先上效果圖: 1、第一步 到主題網上載自己喜歡的主題,下載連結: Eclipse Color主題下載 網站有很多的風格
vmware14安裝linux並且固定IP聯網(詳細)
最近一段時間由於部署專案的需要,要使用的linux來部署專案,所以自己使用虛擬機器來安裝linux系統。 由於專案中使用的是centos7,所以linux別無選擇只能使用centos7了。 好了,話不多說,直接上安裝步驟: 一、使用的工具: 1、vmwar
Java中==和equals的區別(詳細)
要想充分了解==和equals的區別需要對java的記憶體有所瞭解: Java把記憶體劃分成兩種:一種是棧記憶體,一種是堆記憶體。 在函式中定義的一些基本型別的變數和物件的引用變數(變數名)都在函式的棧記憶體中分配。 當在一段程式碼塊定義一個變數時,Java就在棧中為
Linux 下軟體包的安裝,壓縮,解壓(詳細)
1、已經編譯打包好的xxx.rpm 如果你的Linux系統帶有安裝程式,最好用系統自帶的安裝程式來安裝。比如 SuSE的YaST2就帶有安裝程式,在KDE環境下只要是rpm,就可以在Konqueror裡面點選再“Install with YaST2”,這樣做的好處是Ya
python中return和print的區別(詳細)
urn 好的 意思 class 就是 com 結束 turn 就會 huskiesir最近在研究python哈,今天糾結一個問題,那就是return和print的區別,都是可以輸出結果的,到底有啥區別呀?二話不多說,看下面的例子。 #代碼1: def break_word
🔥《手把手教你》系列基礎篇之3-python+ selenium-驅動瀏覽器和元素定位大法(詳細)
1. 簡介 上一篇中,只是簡單地一帶而過的說了一些驅動瀏覽器,這一篇繼續說說驅動瀏覽器,然後再說一說元素定位的方法。 完成環境的安裝並測試之後,我們對Selenium有了一定的瞭解了,接下來我們繼續驅動瀏覽器做一些基本操作: 視窗尺寸設定、網頁截圖、重新整理、前進和後退 2. 視窗尺寸設定 在測試過程中,我們
🔥《手把手教你》系列基礎篇之3-python+ selenium自動化測試-驅動瀏覽器和元素定位大法(詳細)
1. 簡介 上一篇中,只是簡單地一帶而過的說了一些驅動瀏覽器,這一篇繼續說說驅動瀏覽器,然後再說一說元素定位的方法。 完成環境的安裝並測試之後,我們對Selenium有了一定的瞭解了,接下來我們繼續驅動瀏覽器做一些基本操作: 視窗尺寸設定、網頁截圖、重新整理、前進和後退 2. 視窗尺寸設定 在測試過程中,我們
ubuntu下tensorflow-gpu環境搭建(通過anaconda,不需要手動安裝cuda和cudnn)
本篇文章主要講解在Ubuntu16.04環境下,搭建TensorFlow框架,主要是GPU版本的。下面我採用conda安裝tensorflow-gpu。 第一步:安裝navidia driver 第二步:安裝anaconda 參考我的另一篇
2018最新win10 安裝tensorflow1.4(GPU/CPU)+cuda8.0+cudnn8.0-v6 + keras 安裝CUDA莫名失敗 匯入tensorflow失敗報錯問題解決
基本開發環境搭建 1. Microsoft Windows 版本 關於Windows的版本選擇,本人強烈建議對於部分高效能的新機器採用Windows 10作為基礎環境,部分老舊筆記本或低效能機器採用Windows 7即可,本文環境將以Windows 10作為開發環境進行描述。對於Windows 10
【深度學習】CentOS 7 安裝GPU版Tensorflow教程(一)
之前一直在玩cpu版的tensorflow,這些天突然心血來潮,想搞個gpu版的tensorflow來嚐嚐鮮,沒想到把所有能夠踩的坑幾乎全部踩了一遍,在這裡把自己踩的坑和一些安裝細節拿出來分享給大家,
Windows64位安裝GPU版TensorFlow 0.12,Power Shell下輸入:安裝Tensorflow的全教程
unless 設置環境變量 log api err 化工 查看 aid nbsp 推薦使用powershell,只需要在cmd指令窗口輸入powershell即可 下載64位Python3.5(一定要3.5!!)可以通過Python 3.5 from python.org
win7/win10下cuda8.0安裝跑gpu版tensorflow
簡單寫下配置過程吧,挺簡單的: 0.win7/10 X64系統 1.安裝vs2013 2.安裝Anaconda3(需要裡面的python環境) 3.下載CUDA8.0(https://developer.nvidia.com/cuda-downloads),下面兩個exe檔案都下載 &
TensorFlow(3):windows 上面使用python3.6 安裝tensorflow-gpu版本
1,關於tensorflow-gpu https://www.python.org/downloads/windows/ 版本需要特別的說明。 要不然安裝會有問題。 首先,python不能是最新的版本,tensorflow 的升級速度還是跟不上pyt
ubuntu16.04下安裝CUDA,cuDNN及tensorflow-gpu版本過程
這篇文章主要依據兩篇文章: 深度學習主機環境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 深度學習主機環境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow 不過在實際執行的過程中,
Windows 10 安裝 Anaconda3 & GPU版Tensorflow & Cuda9 & cudnn7
前言 為了更好的學習工作,清理了下電腦,重做了下系統,因此需要重新裝深度學習相關的執行環境。在這裡記錄一下安裝過程,以備後用。 環境:Windows 10 & vs-2015 & cuda9 & cudnn7 & anaconda
Win10下如何正確安裝Python和cpu版的tensorflow
剛開通的部落格,也不知道怎麼操作就這樣隨便寫了,廢話不多說還是切入主題吧。 因為論文的需要,又由於本人能力有限,一開始裝Caffe一直裝不上去,後來發現了TensorFlow,雖然裝了老半天,不過還是成功裝上去了^ ^ Linux下我就不說了,過程我記不太得了那我就說一下
Ubuntu16.04安裝配置GPU版TensorFlow
基本工作 更新系統 sudo apt-get update sudo apt-get upgrade -y sudo apt-get dist-upgrade -y 安裝linux kernel modules,linux source和headers
ubuntu16.04下安裝CUDA,cuDNN及tensorflow-gpu
原博文:這篇文章主要依據兩篇文章: 深度學習主機環境配置: Ubuntu16.04+Nvidia GTX 1080+CUDA8.0 深度學習主機環境配置: Ubuntu16.04+GeForce GTX 1080+TensorFlow 不過在實際執行的過程中,有一定的不同之處