ubuntu18.04 +Tensorflow1.12+cuda9.0+cudnn7.3+anaconda+GTX1660ti 深度学习环境配置
2019-05-06 14:26
1521 查看
文章目录
1 硬件介绍
Nvidia GTX1660ti
2 安装显卡驱动
2.1 安装驱动
# 将系统中存在的nvidia驱动全部卸载掉(如果有的话) sudo apt-get purge nvidia* # 添加ppa源并更新 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update #查看可以选择的驱动 ubuntu-drivers devices # 选择一个驱动版本安装 sudo apt-get install nvidia-driver-430
2.2 重启并检查
重启系统,然后输入命令
nvidia-smi
显示如下,表示驱动正常
同时,在系统设置的detail中,有显示显卡型号
3 安装cuda
3.1 下载
从官网下载,选择如下:
最终得到如下五个文件:
3.2 安装cuda
1 切换到当前目录,安装主文件
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb
2 安装CUDA的GPG Public Key
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
3 更新APT源
sudo apt-get update
4 安装CUDA
sudo apt-get install cuda
注意 这里会自动安装旧版本的显卡驱动,导致检测不到独立显卡,所以还需要安装一遍新的驱动!!
5 安装补丁
sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update_1.0-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-2_1.0-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-3_1.0-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1704-9-0-176-local-patch-4_1.0-1_amd64.deb sudo apt-get updatesudo apt-get upgrade cuda
6 重新安装一遍显卡驱动
7 设置环境变量
编辑 bashrc
vim ~./bashrc
在最后加上
export PATH=/usr/local/cuda/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}} export CUDA_HOME=/usr/local/cuda
运行如下命令使得环境变量生效
source ~/.bashrc
8 测试环境变量是否生效
nvcc --version
4 安装cudnn7.3
4.1 下载
选择7.3版本,来自网页:https://developer.nvidia.com/rdp/cudnn-archive
选择for linux
4.2 解压
得到文件夹cuda
在同级文件下执行
4.2 复制文件
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d
4.3 改变权限
sudo chmod a+x /usr/local/cuda/include/cudnn.h sudo chmod a+x /usr/local/cuda/lib64/libcudnn*
5 安装tensorflow 1.12
5.1 创建conda环境
conda creat -n tf12 python=3.6
注意: 1.12版本最高支持python3.6
同时 1.13版本最低要求cuda10.0
因此,我们选择1.12版本的tensorflow
5.2 激活环境
conda activate tf12
5.3 安装tensorflow
pip install tensorflow-gpu==1.12
6 测试
在jupyternotebook中测试,安装见文章
https://blog.csdn.net/qq_23996885/article/details/88691852
测试代码和结果如图,说明正常
相关文章推荐
- ubuntu16.04深度学习环境的配置(Nvida gtx 750 Ti+Cuda9.0+Cudnn7.0)
- Ubuntu18.04安装CUDA9.0,cudnn7.1.3,opencv3.4 tensorflow GPU 1.10 搭建GTX1070深度学习环境
- 深度学习环境搭建:linux下 Ubuntu16.04+cuda8.0+cudnn+anaconda+tensorflow并配置远程访问jupyter notebook
- 深度学习服务器环境配置: Ubuntu17.04+Nvidia GTX 1080+CUDA 9.0+cuDNN 7.0+TensorFlow 1.3
- 从零开始搭建深度学习服务器: 基础环境配置(Ubuntu + GTX 1080 TI + CUDA + cuDNN)
- 配置双系统深度学习环境(双硬盘GPT+UEFI+GTX1070+Linux Mint18.3+CUDA9.0+cuDNN7.0+Tensorflow-gpu)
- Ubuntu 17.10 + CUDA8.0+cudnn 在GT610 电脑上配置深度学习环境
- Ubuntu 18.04深度学习环境配置(CUDA9.0+CUDDN7.4+TensorFolw1.8)(转载)
- N卡双显卡电脑装ubuntu15.04并配置Anaconda+Tensorflow+cuda+cuDNN的深度学习环境
- 有nvidia显卡后配深度学习环境:CUDA9.0、cudnn7.3、tensorflow_gpu1.12的下载与安装
- ubuntu16.04+双显卡驱动+cuda9.1+cudnn7.05深度学习环境配置
- 深度学习主机环境配置: Ubuntu16.04 + GeForce GTX 1070 + CUDA8.0 + cuDNN5.1 + TensorFlow
- 深度学习环境配置:ubuntu16.04 + cuda8.0 + cudnn5.1
- 深度学习主机环境配置: Ubuntu16.04 + GeForce GTX 1070 + CUDA8.0 + cuDNN5.1 + TensorFlow
- 深度学习环境搭建:linux下 Ubuntu16.04+cuda8.0+cudnn+anaconda+tensorflow并配置远程访问jupyter notebook
- centos7搭建Cuda9.0 & Cudnn7.0.5 &Tensorflow1.6深度学习环境
- Linux 配置 深度学习环境常用的命令 pytorch-tensorflow-cuda-cudnn-nvcc
- win10戴尔游侠GTX1050TI+TensorFlow-gpu+CUDA10.0.130+CUDNN7.4.1.5配置深度学习环境
- win10+ubuntu18.04双系统+cuda10+cudnn7.4+tensorRT5深度学习环境
- 在UBUNTU 16.04上配置TensorFlow + cuDNN + CUDA深度学习系统(30分钟傻瓜版)