Ubuntu16.04 + NVidia显卡 + Anaconda3 + Tensorflow-GPU + Keras + opencv安装、配置、测试 (无需手动安装CUDA)
Step.1移除旧驱动:
sudo apt-get purge nvidia*
部分 Debian 系发行版版本可能不支持 apt-get purge ,可尝试使用 apt-get remove –purge 或 apt-get autoremove –purge 替代
Step.2 添加显卡驱动的PPA:
# Add the graphics-driver PPA
sudo add-apt-repository ppa:graphics-drivers
# And update
sudo apt-get update
Step.3 安装(启用)Nvidia 显卡驱动
sudo apt-get install nvidia-396(驱动最好用最新驱动但要和CUDA版本对上,不然后面老爱出现问题)
Step.4 重启电脑以使新驱动生效
你可以确认安装后的驱动状态是否正常:
lsmod | grep nvidia
如果没有输出,说明安装有问题。也可能是因为该驱动在你的系统驱动数据库中未被启用。你可以运行下面的命令检验开源驱动 nouveau 是否在运行。如果没有显示,说明你的安装是没问题的
Step.5 避免自动升级以防破坏驱动
有两种方法可以避免自动升级:
a. 从软件源里移除显卡驱动 PPA 。不同发行版这步的操作有所不同。在 Ubuntu 里,找到你的软件源配置,移除所有显卡驱动 PPA 。
b. 或者通过禁用次要更新。输入一下命令即可:
sudo apt-mark hold nvidia-396
Step.6 移除
如果新驱动运行出问题了,你可以很容易地移除它:
a. 按上面的讲述方法移除显卡驱动 PPA 。
b. 输入一下命令完全移除驱动
sudo apt-get purge nvidia*
c. 重启电脑以使开源驱动 nouveau 生效。
2-安装Anaconda+Tensorflow-GPU
安装 Anaconda
[code]bash Anaconda3-5.3.0-Linux-x86_64.sh # make sure append the Anaconda executable directory to your PATH environment variable in .bashrc source ~/.bashrc python --version # to show the python version
anaconda的源改为国内镜像, 配置文件是~/.condarc
[code]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 --set show_channel_urls yes
pip源改为国内镜像, 配置文件是~/.pip/pip.conf, 该后的文件内容如下:
[code][global] index-url = https://pypi.tuna.tsinghua.edu.cn/simple/ [install] trusted-host=https://pypi.tuna.tsinghua.edu.cn
update conda(最好不要升级)
[code]conda update conda -y conda update anaconda -y conda update python -y conda update --all -y
安装tensorflow
[code]conda create --name tf-gpu # Create a Python "virtual environment" for TensorFlow using conda source activate tf-gpu # 注意运行此命令后,命令行开头的提示变为(tf-gpu) user@computer:~$,表示tf-gpu环境处于激活状态 # 后面的命令,都在tf-gpu环境下执行,我保留了命令行的提示,以示区别 (tf-gpu) user@computer:~$ conda install tensorflow-gpu -y # install TensorFlow with GPU acceleration and all of the dependencies.
为Tensorflow环境创建Jupyter Notebook Kernel
[code](tf-gpu) user@computer:~$ conda install ipykernel -y (tf-gpu) user@computer:~$ python -m ipykernel install --user --name tf-gpu --display-name "TensorFlow-GPU"
安装
keras
[code](tf-gpu) user@computer:~$ conda install keras -y
3-测试安装结果
用Keras 例程(Keras内部会用到Tensorflow)
打开Jupyter Notebook
[code]jupyter notebook
创建新笔记: New下拉菜单 -> 选择TensorFlow-GPU
输入如下测试代码,并运行:
# Import dependencies
import keras
from keras.datasets import mnist
from keras.models import Sequential
from keras.layers import Dense, Dropout
from keras.layers import Flatten, MaxPooling2D, Conv2D
from keras.callbacks import TensorBoard
# Load and process the MNIST data
# 推荐先下载mnist.npz到目录~/.keras/datasets/
(X_train,y_train), (X_test, y_test) = mnist.load_data(path="mnist.npz")
X_train = X_train.reshape(60000,28,28,1).astype('float32')
X_test = X_test.reshape(10000,28,28,1).astype('float32')
X_train /= 255
X_test /= 255
n_classes = 10
y_train = keras.utils.to_categorical(y_train, n_classes)
y_test = keras.utils.to_categorical(y_test, n_classes)
# Create the LeNet-5 neural network architecture
model = Sequential()
model.add(Conv2D(32, kernel_size=(3,3), activation='relu', input_shape=(28,28,1)) )
model.add(Conv2D(64, kernel_size=(3,3), activation='relu'))
model.add(MaxPooling2D(pool_size=(2,2)))
model.add(Dropout(0.25))
model.add(Flatten())
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(n_classes, activation='softmax')) # Compile the model
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy']) # Set log data to feed to TensorBoard for visual analysis
tensor_board = TensorBoard('./logs/LeNet-MNIST-1') # Train the model
model.fit(X_train, y_train, batch_size=128, epochs=15, verbose=1,
validation_data=(X_test,y_test), callbacks=[tensor_board])
运行完后查看误差曲线
[code] (tf-gpu) dbk@i9:~$ tensorboard --logdir=./logs --port 6006
效果如下图
利用Anaconda安装OpenCv3:
conda install -c menpo opencv3
- 联想Y400安装ubuntu16.04、cuda8.0、cudnn5.1、anaconda2.7、tensorflow1.2、keras、opencv
- 惠普暗夜精灵3plus配置ubuntu18.0.4、cuda9.0、cudnn7.0、anaconda(python2.7)、tensorflow-gpu1.8、keras、opencv等
- 双显卡 ubuntu16.04 安装 NVIDIA驱动 + CUDA + cuDNN + tensorflow-gpu + keras
- Ubuntu16.04 安装 CUDA、CUDNN、OpenCV 并用 Anaconda 配置 Tensorflow 和 Caffe 详细过程
- Ubuntu 16.04安装NVIDIA显卡驱动 、CUDA-8.0、cuDNN和TensorFlow问题及解决方法
- ubuntu16.04安装NIVIDIA显卡驱动,cuda8.0,cuDNN6.0以及基于Anaconda安装Tensorflow-GPU
- Caffe安装:Ubuntu16.04 + GPU + CUDA-8.0 + cuDNN v5.1 + OpenCV 3.0.0 + Anaconda2
- 在ubuntu16.04下安装Anaconda配置TensorFlow-GPU+MNIST: Resource exhausted: OOM的问题解决
- 亲自测试Ubuntu17.04(16.04)+Nvidia GT 640LE+CUDA9.0+cuDNN7.05+Tensorflow1.5(GPU)+Anaconda5.01(python3.6)
- Ubuntu16.04从零开始安装配置caffe(GPU,nvidia-smi,cuda8,cudnn6,opencv3.3)
- 三台不同型号机子测试成功-ubuntu16.04下安装cuda9.0+nvidia-384+cudnn7.1.4+tensorflow1.9。
- 踩坑笔记之环境配置——Ubuntu16.04、caffe、pytorch、tensorflow、keras、anaconda、opencv3、matlab
- Ubuntu16.04+GTX1050ti+CUDA8.0+TensorFlow-gpu+Keras+Pycharm配置深度学习环境
- Ubuntu 16.04 安装cuda9.0 &cudnn7.0 之妙法:NVIDIA 驱动->cuda->cudnn->安装tensorflow-gpu(windows 也可参考),试一下?
- 深度学习环境配置Ubuntu16.04+CUDA8.0+CuDNN+Anaconda2+openCV2.4.9+caffe(全离线GPU版)
- Ubuntu 16.04 + cuda8.0 + opencv3 + caffe的安装,tensorflow-gpu的安装
- win10双系统安装ubuntu16.04+gtx750ti+python3.6配置cuda-9.0+cuDNN7.05+TensorFlow-gpu1.8.0+opencv 2.4.13的过程汇总
- ubuntu16.04 anaconda3 tensorflow-gpu安装 及 Faiss配置
- 0-0不走坑路, 手把手教你Linux16.04, Anaconda3, CUDA8.0, cudnn v5.1 tensorflow GPU版, opencv3安装
- pytorch-0.2成功调用GPU:ubuntu16.04,Nvidia驱动安装以及最新cuda9.0与cudnnV7.0配置