在Ubuntu 18.04上安装Tensorflow

我们将经历几个阶段,安装cuda-9.0,cudnn和tensorflow cpu以及tensorflow gpu版本。最后我们将用cuda-9.0安装pytorch。在MARVEl电影中黑寡妇的“我与这场战争作战,所以你不必”。


我们将经历几个阶段,安装cuda-9.0,cudnn和tensorflow cpu以及tensorflow gpu版本。最后我们将用cuda-9.0安装pytorch。在MARVEl电影中黑寡妇的“我与这场战争作战,所以你不必”。

昨天晚上,2018年4月29日,我成功在Ubuntu 18.04上安装了Tensorflow。但是,安装Tensorflow的关键是正确安装Cuda和cuDNN libray,因为昨晚Tensorflow编译的运行文件只支持cuda-9.0。检查这个帖子是不是已经过时。 在我们安装Cuda-9.0之前,您可能需要将ubuntu镜像源网站更改为适合您的最新版本。我把它改成了mirro.ustc.edu.cn, 因为我在中国安徽合肥。和ubuntu16.04不同,你需要显示应用程序页面中搜索软件和更新。 然后请将GPU驱动更改为由Nvidia测试的390版本。


安装Cuda-9.0

阅读完Tensorflow网站,我们知道我们必须首先安装cuda9.0。首先百度CUDA-9.0 ,.然后选择linux,然后ubuntu-16.04,最后下载runfile,即1.6 GB,但可以非常快速地下载。

在我们安装runfile之前,我们需要安装一些依赖关系,否则你会得到“Missing recommended libary”这样的警告。

Libray警告

安装像这样的依赖关系。

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

接下来,让我们像这样一样安装cuda-9.0。

sudo chmod 777 *.runfile    # give permission to run all the runfile files
sudo ./cuda_9.0.176_384.81_linux.run -toolkit -samples -silent -override #

cuda-9.0安装路径是“/usr/local/cuda-9.0”。为避免missing libray错误,我们在cuda-9.0的这个目录中创建一个符号链接“cuda”。

cd /usr/local
sudo ln -s /usr/local/cuda-9.0 cuda     # create the symbolic link

在验证我们安装cuda-9.0之前,我们会降低我们的gcc版本,否则我们会得到”gcc later than 6 is not supported error” 这样的错误。

GCC错误

检查这个和Ubuntun 18.04上的gcc版本,我们决定降低我们的gcc版本。

gcc --version   # check ubuntu 18.04 gcc version, you will find it's 7.3.0
sudo apt install gcc-5 g++-5
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50   # you will find that message that tells you the gcc-5 is set to be automatic.
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50   # similiar message as gcc

将cuda设置为环境变量

 export PATH=/usr/local/cuda-9.1/bin${PATH:+:${PATH}}
 export LD_LIBRARY_PATH=/usr/local/cuda-9.1/lib64\
                         ${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}

验证cuda-9.0安装

cd NVIDIA_CUDA-9.0_Samples/5_Simulations/fluidsGL
make clean && make
./fluidsGL

如果cuda-9.0正确安装,在我们的制作过程中应该没有错误信息。然后我们可以得到流体模拟。

流体模拟示例

我们的cuda-9.0已成功安装!在我们继续之前, 我们可以测试一下其他的sample。


安装cuDNN7.0

让我们安装cuDNN库来加速我们的深度学习算法。注册,点击“Archived cuDNN Releases”。然后下载 cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0 下载三个文件ubuntu16.04文件 runtime library. developer library, and code samples and user guide。

sudo dpkg -i libcudnn7_7.0.5.11-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.0.5.11-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.0.5.11-1+cuda9.0_amd64.deb

安装Freeimage

在我们验证cuDNN之前,我们必须首先安装freeimage lilbray作为ministCUDNN示例代码的依赖关系。否则,会有提示要求我们正确设置Freeimage。

sudo apt-get install libfreeimage3 libfreeimage-dev

验证cuDNN安装

cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
make clean && make
./mnistCUDNN

如果一切正常,我们可以得到我们的结果 – “测试通过!”

ministCUDNN 示例

我们也可以编译其他示例。


安装Tensorlfow

我们将使用virualenv安装。 首先安装libcupti-dev库。

sudo apt-get install libcupti-dev
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64

然后我们将安装virtualenv并创建一个Tensorflow Environment。

sudo apt-get install python3-pip python3-dev python-virtualenv
virtualenv --system-site-packages -p python3 tensorflow # create a enviroment named tensorflow

这需要一段时间,请耐心等待。

安装Tensorflow CPU版本

当环境创建好了,我们必须在每次使用tensorflow时激活它。首先按照推荐安装tensorflow cpu version。

source ~/tensorflow/bin/activate
pip3 install --upgrade tensorflow  # install the cpu version

验证Tensorflow CPU版本

在同一个环境中,这意味着你会在你的shell中看到它。

(tensorflow)$

键入python和下面的python代码。

python
# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

这是我的结果。虽然它与官方验证结果不同,但是应该没问题。

>>> print(sess.run(hello))
b'Hello, TensorFlow!'
>>>

###安装Tensorflow GPU版本 首先确保我们处于同一环境中。

pip3 install --upgrade tensorflow-gpu

但是,下载whl文件的网速较慢。所以我们可以用自己的“方法”到浏览器中的whl文件和本地pip3安装。

验证Tensorflow GPU版本

仍然确保你在Tensorflow Enviroment。

键入python和下面的python代码。

python
# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

结果是一样的。但是我们可以看到我们的GPU设备正在工作。您可以在下面的测试结果中看到我的GTX 1050 Ti。

Tensorflow GPU 验证安装

我们在Ubuntu 18.04上成功安装了Tensorflow。 您可以在Tensorflow网站上测试更多的模型,git克隆模型库非常缓慢。因此,我们也可以用“自己的方法”在浏览器中下载张量流模型库。 This my fisrt example.

Tensorflow 鸢尾花进行分类


##安装Pytorch 我们将使用由pytorch推荐的软件包管理器Anaconda来安装它。 ###安装Anaconda 我在合肥,所以我选择科大镜像来下载anaconda安装的.sh文件。 在我们安装了Anaconda之后。我们必须改变“Anaconda3”的拥有者,否则我们不能将文件写入此目录。 我们检查我们的用户名和用户组。

groups

第一组通常是你现在的组。 这是我的结果。

我的用户组

由于我的用户组是bryan,我的用户名也是bryan。所以我会将下面的命令改为“chown -R bryan:brayn anaconda3”。“-R”的意思是迭代,这个参数将改变整个anacodna3文件的所有者。

chown -R YOUR_GROUp:YOUR_USER_name anaconda3

更改Anaconda频道

在安装pytorch之前,我们可以设置Anaconda镜像源以减少等待时间。同样,我的镜像源是科大镜像

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

###安装Pytorch 然后我们可以去pytorch网站。选择linux,python版本为3.6,cuda版本为9.0。请不要执行这个命令。 后一个pytorch意味着我们将从它的官方网站下载pytorch,这对我来说非常缓慢。因此,将最后一个pytorch替换为适合您的镜像源。

conda install pytorch torchvision cuda91 -c https://mirrors.ustc.edu.cn/anaconda/cloud/pytorch/

验证Pytorch

您可以尝试pytoch webstie上的示例。这是我的结果。

pytorch 导入数据


恭喜安装成功!如果本教程任何问题,请发邮件给

阅读余下内容

发表评论

电子邮件地址不会被公开。 必填项已用*标注


京ICP备12002735号