首页计算机应用 › yzc333亚洲城:TensorFlow环境搭建,Keras安装记录

yzc333亚洲城:TensorFlow环境搭建,Keras安装记录

分享下Ubuntuyzc333亚洲城:TensorFlow环境搭建,Keras安装记录。
16.04下TensorFlow+Caffe+OpenCV3.1+Theano的安装配备全经过,希望对大家具备帮衬。

脚下和好撘过深度学习各个库、各样条件,已经搭建了n多台计算机,开采每台Computer配置安装情势各不一致,总会产出各差别样的谬误,真是心塞。台式机和台式机有距离,台式机之间的安装格局又各分化,不一样的系统版本碰到、平台又各差异。举个例子昨日搞的一台微型Computer,可能因为显卡比较新,可是Ubuntu
14.04、Ubuntu
15.04都比较旧,连安装系统都装不上,一齐头在14.04上海重机厂装了n多次系统,还以为是团结Computer的标题。最后在Ubuntu
16.04居然万分顺遂完成了设置;不过16.04的本子,唯有cuda8.0才支撑,在那台破Computer上,又煎熬了本人快一天的小运。

本身提示:安装进程请善待你的微型Computer,请勿乱砸鼠标键盘

一、安装 TensorFlow GPU 版本

        安装 TensorFlow-GPU 版的关键点在于 cuda 和 cudnn
的设置和布署,注意它们的本子是或不是和 TensorFlow 的本子相配。以下,以安装
TensorFlow 1.5.0 为例,当中非常的 cuda/cudnn 的本子分别为 cuda 9.0 和
cudnn 7.0。

1.率先安装Ubuntu 16.04系统.

显卡:GTX960

机器配置

  • CPU:I7 4790K
  • GPU:Nvidia GTX1080
  • 内存:DDR3 32G
  • 主板:ASUS Z97
  • 系统:Ubuntu 14.04.5

1.安装 NVIDIA 显卡驱动

        首先在极端查看显卡消息:

$ sudo lshw -numeric -C display

也足以应用命令:

$ lspci | grep -i nvidia

确认显卡音信。

        知道显卡音信之后,在 NVIDIA 官方网址寻觅对应的显卡驱动,比方 TITAN
X(Pascal)/GTX 1080Ti 等显卡查到的驱动为384。其他,使用

$ ubuntu-drivers devices

能够平昔查看系统推荐的 NVIDIA 显卡驱动(在回去的音信中找到 recommended
对应的 driver,比方AMD-384)。一般的话,纵然查询到的(及后续安装的)驱动不是新型版的,在装置时也会活动安装新型的(与系统适配)的显卡驱动。

        查询到显卡驱动之后,使用命令

$ sudo apt-get install nvidia-xxx

设置驱动。如要安装显卡驱动的版本为384,则对应的命令为:

$ sudo apt-get install nvidia-384

        安装到位之后,使用

$ nvidia-smi

查阅驱动是不是安装成功。若重回二个有关驱动的报表表达安装成功。(恐怕要求重启Computer)

2.装置显卡驱动
在官方网站络下载最新的NVIDIA-Linux-x86_64-375.26.run驱动.然后
Ctrl+Alt+F1踏入调整台,输入

环境:Ubuntu16.04、cuda8.0

一、GTX1080驱动装置

2.安装 CUDA 9.0

        在 NVIDIA 官方网址直接寻觅 cuda,下载与操作系统匹配的 runfile
文件,如 cuda_9.0.176_384.81_linux.run,步向该公文所在目录,试行

$ sudo sh xxx.run --override

如,以安装 cuda_9.0.176_384.81_linux.run 为例,试行命令

$ sudo sh cuda_9.0.176_384.81_linux.run --override

接下来按 Ctrl+C 跳过more(0%),输入 accept,采用no(因为早就安装过显卡驱动了),前边根据须求选用 y/n 可顺遂完毕安装。

        接下去为 cuda 配置情状变量:

$ sudo gedit ~/.bashrc

在开发的文本末尾加入两行:

export PATH=”$PATH:/usr/local/cuda-9.0/bin”
export PATH=”$PATH:/usr/local/cuda-9.0/lib64”

保留之后实施 $ source ~/.bashrc 使改变即刻生效。(依据使用版本修改
cuda-9.0 对应项)

        在终极输入 $ nvcc --version
查看是还是不是安装成功,如输出版本音讯则象征安装成功。若提醒 nvcc
是不行的命令,使用

$ sudo apt install nvidia-cuda-toolkit

设置,然后再确认。

        若要卸载 cuda,走入 cuda 安装路线,举例文件夹
/usr/local/cuda-9.0/bin 实践:

$ sudo ./uninstall_cuda_9.0.pl
sudo service lightdm stop
sudo sh NVIDIA-Linux-x86_64-375.26.run

上边是自个儿的装置之路,总的来讲theano、keras、tensorflow都相比较便于安装;最难安装的是caffe,因为caffe调用的第三方库相比杂、比非常多。

1.1筹划干活

提高主板BIOS把显卡选项切换成集成显卡(要是在装置操作系统的时候找不到U盘之类的设想关闭安全开发银行)
先用集成显卡来体现,桌子上桌下来回窜,幸而作者不算太胖。

3.布置 NVIDIA 深度学习库 cuDNN 7.0

        在 NVIDIA 官方网址寻觅 cudnn,注册开采者账号,然后下载与 cuda
版本匹配的 cudnn 文件,如与 cuda9.0 相配的 cudnn7.0
文件为:cudnn-9.0-linux-x64-v7.tgz 。步向该文件所在目录,实践

$ tar -zxvf cudnn-9.0-linux-x64-v7.tgz
$ sudo cp cuda/include/cudnn.h /usr/local/cuda/include
$ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64

退到根目录,施行:

$ sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

安装驱动的时候会冒出四个 The distribution-provided pre-install script
failed! Are you sure you want to
continue?那样的错误提示,间接无视下一步就足以了.
设置过后

一、安装cuda8.0

1.2使得版本采用

若是您下了个流行版(小编随即下的是375.20),恭喜,你掉坑里了。经过尝试开掘367.44和367.27是在14.04里是相比好用的,CUDA(8.0.44)和CuDNN(v5.1)下新型版,质量好。

4.安装 TensorFlow GPU 版

        使用如下指令直接设置 TensorFlow GPU 版:

$ sudo pip/pip3 install tensorflow-gpu

下一场,还索要将 2 中的情况变量修改为 TensorFlow 要求的格式:

export LD_LIBRARY_PATH=”$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64”
export CUDA_HOME=/usr/local/cuda-9.0

(注意将 cuda-9.0 修改为投机设置的呼应版本)

        最后,在 Python2.7/Python3.5 中使用

>>> import tensorflow

表达是不是安装成功。

sudo service lightdm start

1、输入指令:

1.3安装驱动

二、配置OpenCV(针对Python)

        以安顿 OpenCV3.3.0 为例,另外版本类似。

注意:到近些日子甘休,直接动用:

$ sudo pip/pip3 install opencv-python

设置的 OpenCV 不支持摄像类操作。

切换回桌面.

 sudo vim /etc/modprobe.d/blacklist.conf在文书最前边,加多:

1.3.1禁止使用ubuntu自带的驱动

开源的并非都好,有的也是渣,nouveau正是内部之一,搞掉它
新建文件
sudo vim /etc/modprobe.d/blacklist-nouveau.conf
输入内容
blacklist nouveau
重启

1.设置重视项

(1)更新安装包管理工科具

$ sudo apt-get update
$ sudo apt-get upgrade

(2)安装编写翻译工具

$ sudo apt-get install build-essential cmake pkg-config

(3)安装依赖的图像库

$ sudo apt-get install libjpeg8-dev libtiff5-dev libjasper-dev libpng12-dev

(4)安装注重的录制解码库

$ sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev
$ sudo apt-get install libv4l-dev libxvidcore-dev libx264-dev

(5)安装 highgui 依赖的 GTK 库

$ sudo apt-get install libgtk-3-dev

(6)安装提醒矩阵运算的库

$ sudo apt-get install libatlas-base-dev gfortran

(7)安装 Python 开发库

$ sudo apt-get install python2.7-dev python3.5-dev

安装过后用英特尔-smi命令验证一下是或不是安装成功,假使重启之后未有黑屏的话那么恭喜您安装成功了.

blacklist nouveau
sudo reboot
sudo apt-get remove --purge nvidia*
重启,然后步向终极:

1.3.2用run文件安装驱动

按ctrl+alt+F1进去命令行情势

sudo service lightdm stop 
sudo ./NVIDIA-Linux-x86_64-367.44.run 

安装达成用经过nvidia -smi测量试验是或不是安装成功,然后重启

2.编译 OpenCV

(1)直接从 OpenCV 官方网址下载协理全平台的 .zip 文件 3.3.0 安装包;
(2)unzip 解压,并跻身文件夹:$ cd opencv-3.3.0
(3)$ mkdir build && cd build
(4)编译 OpenCV

cmake -D CMAKE_BUILD_TYPE=RELEASE \
 -D CMAKE_INSTALL_PREFIX=/usr/local \
 -D INSTALL_PYTHON_EXAMPLES=ON \
 -D PYTHON2_EXCUTABLE=/usr/bin/python2 \
 -D PYTHON3_EXCUTABLE=/usr/bin/python3 \
 -D BUILD_EXAMPLES=ON ..  (两点不可少)

注意:配置 OpenCV 供给在设置 CUDA 以前,否则这一步会倒闭。

(5)$ make -j4
(6)$ sudo make install
(7)$ sudo ldconfig

3.安装cuda
设置cuda最新的驱动cuda_8.0.44_linu.run,
这么些驱动据他们说消除了gcc-5版本的坑, 因为自己的ubuntu最新自带的是gcc-5.4,
也从没降职去验证. 只是没遇上这么的坑,笔者想应该是消除了.
随后正是布置CUDA情形变量:

sudo service lightdm stop
chmod +x cuda*.run
sudo ./cuda*.run2、安装cuda的进程中,一贯跳出错误:

1.3.3切换展现

进BIOS把呈现切回到PCIE展现,把显示屏连到GTX1080上

3.认证是或不是安装成功

        在 Python2.7 和 Python3.5 内实行(必要摄像头):

>>> import cv2
>>> cap = cv2.VideoCapture(0)
>>> print(cap.isOpened())

查看是或不是足以展开摄像头。

sudo gedit ~/.bashrc

If you're sure that X is not running, but are getting this error, please
delete any X lock files in /tmp.
那正是说大家能够直接删除X-lock文件,具体命令为:
sudo rm
/tmp/.X0-lock3、ubuntu的gcc编写翻译器是5.4.0,不过cuda8.0不援助5.0以上的编译器,因而须求降级,把编写翻译器版本降到4.9:

填补:使用集显呈现独显运算的布局情势

为了扶助最新的1080,下时尚版的驱动和CUDA,此次安装时用的是驱动是378.13,CUDA是8.0.61,同以上禁用nouvea,关闭图形分界面,安装驱动和CUDA,注意一定不要设置opengl库,也绝不让安装程序配置图形分界面。

sudo ./NVIDIA-Linux-x86_64-378.13.run --no-opengl-files
sudo ./cuda_8.0.61_375.26_linux.run --no-opengl-libs 

在bashrc文件末尾加上:

sudo apt-get install g++-4.9
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.9
20
sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 10
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9
20
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++等待安装到位

二、CUDA8.0+CuDNN安装

export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda

4、配置情形变量:

2.1开辟Terminal运维CUDA安装脚本

sudo sh cuda_8.0.44_linux.run

ctrl+c跳过注脚,选取Accept同协议
然后高能预先警告:一定毫无装这里面自带的驱动,如下
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
(y)es/(n)o/(q)uit: n //是还是不是覆盖驱动?那是关键,要填n

接下去用暗中同意选项安装就好。
设置实现后会提示某些库缺乏,不用管,反正是做加快的不绘图。

接着:

sudo vim /etc/profile在文书末尾增加:

2.2增加路线

export PATH=/usr/local/cuda-8.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH
sudo gedit /etc/profile

PATH=/usr/local/cuda/bin:$PATH
export PATH
封存退出。输入指令:

2.3测量试验CUDA是或不是安装成功

通过nvcc -V测验cuda是或不是安装成功。
本来也足以步入HOME中把Nvidia提供的事例编写翻译一下

make all -j8

下一场在bin里面大多层里找到.deviceQuery,假如能健康读出GPU型号就ok。

Caffe推荐使用7+以上的CUDA版本,不再兼容6之下的本子。
TensorFLow假如使用已经编写翻译好的包,与CUDA和CuDNN的与官方的认证对应。

在文书末尾加上:

source /etc/profile
使其收效。

2.4安装CuDNN

tar xvzf cudnn-8.0-linux-x64-v5.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
export PATH = /usr/local/cuda/bin:$PATH

输入指令:

三、Caffe安装

caffe的设置首假使按[官网](http://caffe.berkeleyvision.org
)的步调做的
网络有大多把G++版本搞到4.9要么5.0上述来编写翻译,感到依旧比较麻烦的,直接用那个本子私下认可的G++
4.8.4编译了,就不切G++的版本了

终极创制conf文件:

sudo /etc/ld.so.conf.d/cuda.conf

3.1依据库安装

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev libhdf5-serial-dev protobuf-compiler
sudo apt-get install --no-install-recommends libboost-all-dev
sudo apt-get install libatlas-base-dev
sudo apt-get install python-dev
sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev
sudo gedit /etc/ld.so.conf.d/cuda.conf

加上内容:

3.2安装Anaconda2

Anaconda2集成了科学总结等常用的包,用起来很有利,何况用Anaconda2安装Theano和TensorFlow都很有益,所以就应用Anacoda2作caffe的python帮助了,假使无需用caffe的python接口,pycaffe能够不编写翻译。习于旧贯了python
2.7,所以利用python 2.7 version的陆拾三个人Linux安装包,下载好以后安装
bash Anaconda2-4.2.0-Linux-x86_64.sh
安装进度中会问要不要把
Anaconda2增多到.bashrc中,果决选取丰盛,固然今后无需了讲明掉就好了,总比自身写要有益于。

在conf文件里出席以下内容:

/usr/local/cuda/lib645、验证测试

3.3编译caffe

/usr/local/cuda/lib64

测量检验cuda是或不是安装成功:

3.3.1下载caffe

cd ~
git clone https://github.com/BVLC/caffe.git

执行

cd /usr/local/cuda/samples
编写翻译例子:

3.3.2改造编写翻译设置

cd ~/caffe
cp Makefile.config.example Makefile.config

下一场修改Makefile.config
采取CuDNN,撤销注释
USE_CUDNN := 1
python接口的布局,改成用Anaconda的

# We need to be able to find Python.h and numpy/arrayobject.h.
# PYTHON_INCLUDE := /usr/include/python2.7 \
        /usr/lib/python2.7/dist-packages/numpy/core/include
# Anaconda Python distribution is quite popular. Include path:
# Verify anaconda location, sometimes it's in root.
ANACONDA_HOME := $(HOME)/anaconda2  #改成自己安装Anaconda的地址
PYTHON_INCLUDE := $(ANACONDA_HOME)/include \
          $(ANACONDA_HOME)/include/python2.7 \
          $(ANACONDA_HOME)/lib/python2.7/site-packages/numpy/core/include \

python依赖库

# We need to be able to find libpythonX.X.so or .dylib.
# PYTHON_LIB := /usr/lib
PYTHON_LIB := $(ANACONDA_HOME)/lib

python层

# Uncomment to support layers written in Python (will link against Python libs)
WITH_PYTHON_LAYER := 1
sudo ldconfig

sudo make all -j8运维编写翻译可进行结果文件:

3.3.3make caffe

保存后make一下,然后测验

make all -j8
make test -j8
make runtest -j8

奇迹会报错,好疑似用得线程太多有搞不清楚的荒唐,能够方便回退线程数
并未有有失水准态看来passed

那全数成功现在运转一下cuda的例子看看能否不负职分运营.

./deviceQuery

3.3.4测试Caffe

用mnist数据集测量检验一下,caffe给了mnist的demo

cd ~/caffe
./data/mnist/get_mnist.sh
./examples/mnist/create_mnist.sh
./examples/mnist/train_lenet.sh

10s多一点就造成了一千0次迭代,精度达到了99.17%
可知老黄家的CUDA和CuDNN优化得真的是进一步强了,认为比从前用的快了数不完

4.CUDNN
下载cuDNN v5.1 Library for Linux并解压.
步向cudnn5.1解压之后的include目录,在指令行里把cudnn的头文件和库文件复制到相应的目录下:

二、安装theano

3.3.5编译pycaffe

末段make一下caffe在python中的模块
make pycaffe -j8
在意况变量中增加自个儿的门路
export PYTHONPATH=/path/to/caffe/python:$PYTHONPATH
下一场试一下

python
import caffe

能健康导入就一向不难点了。

转载本站文章请注明出处:ca888亚洲城唯一官网 https://www.axypet.com/?p=2243

上一篇:

下一篇:

相关文章