搭建ubuntu1604伺服器深度學習環境
0、版本資訊:
GPU:P100
顯示卡驅動:nvidia-384 (cada9.0要求驅動版本至少384)
cuda: 9.0 +cudnn7.1.3+Anaconda 3.5.1 + tensorflow1.8.0
安裝tensorflow1.8.0、keras、mxnet(gpu版)、pytorch(gpu版)、caffe(gpu版)。
1、安裝驅動顯示卡驅動
sudo apt-get install nvidia-384
測試:nvidia-smi,顯示顯示卡資訊
2、安裝cuda
a)下載官網cuda9.0:
b) 安裝sh檔案
sudo bash cuda*.sh
注意:第二步驅動Graphic Driver 選擇不安裝。
(對於桌面使用者如出現問題,則將lightdm關閉後重試:$ sudo service lightdm stop,
ctrl_alt+f1進入tty1,輸入使用者名稱、密碼;在tty1下:sudo bash cuda*.sh,完成後按ctrl+alt+f7回到圖形介面,
如已關閉lightdm則重新啟動:$ sudo service lightdm restart)
c) 新增環境變數
將以下兩行新增到 ~/.bashrc,並source ~/.bashrc
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
d) 測試:nvcc -V ,顯示cuda的版本資訊。
3、複製cudnn
b) 解壓:tar -zxvf cudnn**.tgz
c) 複製:
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*
4、安裝Anaconda
a) 下載Anaconda3.5.1,若官網下載,可去清華軟體源、pypi下載。
b) sudo bash Anaconda**.sh
注意:預設路徑可以換,一定要把anaconda加入Path路徑。VSCode下載太慢,可以不裝,根據自己需求。
(若上面沒有選擇加入bashrc,則需要自己手動加入環境變數:在~/.bashrc檔案最後新增
export PATH="/home/ai/anaconda3/bin:$PATH")
c) 測試:終端下輸入python,檢視python版本資訊是否為Python3.6.4,系統預設為2.7。
或者輸入 jupyter notebook,看是否能開啟。
5、安裝tensorflow_gpu
(問題:需要先更新pip版本 sudo chmod 777 /home/ai/anaconda3
pip install --upgrade pip )
a) 下載離線tensorflow_gpu1.8.0**.whl離線包
pip install tensorflow_gpu**.whl。
b) 測試:
python
import tensorflow as tf
print(tf.__version__)
輸出結果為列印tensorflow版本資訊:1.8.0.
6、安裝mxnet GPU版
a) pip install --pre mxnet-cu90 -i https://pypi.douban.com/example
b) 測試:
import mxnet as mx
from mxnet import nd
x = nd.array([1, 2, 3], ctx=mx.gpu())
結果:[1 2 3] <NDArray @gpu(0)>
7、安裝pytorch GPU 版
a) conda install pytorch torchvision cuda90 -c pytorch
注意:如下載網路問題,根據下載連結和版本資訊,去連結地址下載相應版本離線包,
conda install 離線包。
b) 測試:import torch
print(torch.cuda.is_available())
結果:True.
(參考:https://blog.csdn.net/qq_19784349/article/details/78780011)
8.安裝OpenCV
a) pip install opencv-python
b)測試:import cv2
9.安裝keras
a) pip install keras
b) 測試:import keras
10、安裝 caffe
連結:https://blog.csdn.net/hhhuua/article/details/80436160
(注:也可以在anconda中安裝:conda install caffe-gpu, 因需要下載好的包,大概900M故未安裝,沒有嘗試是否可以)
10、刪除不常用軟體
apt purge unity-webapps-common
apt purge thunderbird totem rhythmbox empathy brasero simple-scan gnome-mahjongg aisleriot gnome-mines cheese gnome-sudoku transmission-common gnome-orca webbrowser-app landscape-client-ui-install
apt purge deja-dup
若刪除系統自帶辦公軟體(換wps的話可以解除安裝) ,apt purge libreoffice-common
11、安裝搜狗輸入法(伺服器上未安裝,桌面版自己安裝沒有問題)
a) 下載搜狗離線安裝包
b) sudo dpkg -i sougou**.deb
sudo apt install -f (查詢依賴關係,若上一條安裝命令提示有問題,則執行此條命令再重新執行安裝命令)
c) system setting ------ Language Support --------keyboard input method system ------- fcitx,
一般在桌面環境下需要登出再登入,才會顯示搜狗輸入法。
(若不登出終端執行 fcitx -r,未測試此法。)
12、安裝pycharm
a) 官網下載community版離線包
b)解壓 tar -zxvf pycharm*.tar.gz -C ~
c) sh ./pycharm* /bin/pycharm.sh
d) 建立圖示
(1) 在桌面建立一個檔案:pycharm.desktop
(2) 編輯這個檔案,新增以下內容(Exec是sh檔案位置(以自己實際檔案為主),icon是圖示檔案位置,修改兩處):
[Desktop Entry]
Version=1.0
Type=Application
Name=Pycharm
Icon=/home/mark/pycharm-community-2017.3.3/bin/pycharm.png
Exec=/home/mark/pycharm-community-2017.3.3/bin/pycharm.sh
MimeType=application/x-py;
Name[en_US]=pycharm
(3) 右擊這個檔案,把允許作為程式執行給選擇上,雙擊這個桌面檔案,這個檔案就從文字圖示,變成了程式圖示。
(4) 開啟終端,cd到桌面,然後把這個檔案複製到系統APP目錄裡面,這樣在系統程式裡面就可以找到了
sudo cp pycharm.desktop /usr/share/applications/
13、安裝chrome瀏覽器
a) 下載穩定版離線包 google**.deb ( https://dl.google.com/linux/direct/google-chrome-stable_current_amd64.deb)
b) sudo dpkg -i google**.deb
sudo apt install -f
/usr/bin/google-chrome -stable
14、安裝某些缺失包:
pip install xgboost lightgbm
(更新++)
相關推薦
搭建ubuntu1604伺服器深度學習環境
0、版本資訊:GPU:P100顯示卡驅動:nvidia-384 (cada9.0要求驅動版本至少384)cuda: 9.0 +cudnn7.1.3+Anaconda 3.5.1 + tensorflow1.8.0安裝tensorflow1.8.0、keras、mxnet(gp
在伺服器搭建深度學習環境隨筆
1、檢視CUDA版本 nvcc -V 2、conda的使用 建立envs #空環境 conda create --name myenv #設定python版本 conda create -n myenv python=3.6 進入envs source activate
centos7伺服器cuda9.0深度學習環境搭建筆記
硬體篇 NVIDIA驅動篇 首先是禁用nouveau centos自帶的顯示卡驅動,這不是機器學習環境想要的驅動 在配置檔案中禁用nouveau vi /etc/modprobe.d/blac
雲伺服器下搭建Anaconda+Tensorflow深度學習實驗環境(Python=3.5) 練習記錄
我使用騰訊雲,自己拿來做實驗用,環境是Ubuntu Server 16.04, 由於自己的本上用的帶圖形的Ubuntu,命令列操作逃課了。。。。。。現在補習在下面1:登入:在配置好伺服器輸出和輸入的埠(即22口)之後,在自己的終端上輸入以下命令: ssh [ema
Ubuntu深度學習環境搭建 tensorflow+pytorch
源安裝 class x86 port ORC 鏈接庫 mon latest news 目前電腦配置:Ubuntu 16.04 + GTX1080顯卡 配置深度學習環境,利用清華源安裝一個miniconda環境是非常好的選擇。尤其是今天發現conda install -c m
深度學習環境搭建:Tensorflow1.4.0+Ubuntu16.04+Python3.5+Cuda8.0+Cudnn6.0
edi tensor pkgs strong www url 輸出 軟鏈接 5.0 目錄 深度學習環境搭建:Tensorflow1.4.0+Ubuntu16.04+Python3.5+Cuda8.0+Cudnn6.0 Reference 硬件說明: 軟件準備: 1. 安
Ubuntu16.04系統GPU深度學習環境搭建
安裝Ubuntu16.04.5系統 安裝過程就不詳述了。 安裝NVIDIA1080Ti顯示卡驅動 ll /etc/modprobe.d/blacklist.conf sudo chmod 666 /etc/modprobe.d/blacklist.conf sudo vi
ubuntu16 深度學習環境搭建步驟
egl RKE 編程 支持 source ogl 瀏覽器 oot 文件夾 在安裝ubuntu之前需要條一下BIOS,講UEFI模式改為Legacy 模式。 ubuntu分區系統搭建可以參考一下博客: 分區大小為: boot 400~500M swap 內存大小 主分區 &
阿里雲GPU伺服器配置深度學習環境-遠端訪問-centos,cuda,cudnn,tensorflow,keras,jupyter notebook
一、準備工作: 1、阿里雲相關設定: 先給阿里雲賬戶充值100元。 選擇阿里雲ECS雲伺服器 搜尋:CentOS 7.3(預裝NVIDIA GPU驅動和深度學習框架) 安全組新增8888許可權
TX2 深度學習環境搭建記錄cmake從3.5升級到3.7.2
1.(參考https://askubuntu.com/questions/355565/how-do-i-install-the-latest-version-of-cmake-from-the-command-line/865294#865294) The most common situat
centos7搭建Cuda9.0 & Cudnn7.0.5 &Tensorflow1.6深度學習環境
一、安裝centso7 將游標移動到Install Centos7後,按e編輯,出現啟動命令引數,修改第二行 vmlinuz linux dd quiet ctrl + x 儲存執行,檢視包含centos7的u盤碟符 成功後重啟電腦,
系統安裝情況以及深度學習環境搭建
1.戴爾AL安裝Ubuntu16.04問題總結 1).找不到固態硬碟 由於dell電腦的出廠設定,在BIOS裡面都統一把硬碟模式設為RAID ON,但這種模式下可能會導致不能正確識別或者完全發揮處SSD的效能。下面是把RAID模式更改位AHCI的方法。 進入wins之後,按下WIN鍵+R鍵,輸入msco
[work] 最爽的GPU深度學習環境搭建教程
背景介紹 GPU 在以下方面有別於 CPU: CPU和GPU之所以大不相同,是由於其設計目標的不同,它們分別針對了兩種不同的應用場景。CPU需要很強的通用性來處理各種不同的資料型別,同時邏輯判斷又會引入大量的分支、跳轉和中斷的處理。這些都使得CPU的內部結構異常複雜。而GPU面對的則是
ubuntu18.04+RTX2080深度學習環境搭建
搭建環境弄了半天,主要是因為各個環境版本號的問題輾轉騰挪了很久,再次記錄一下最終成功run起來的軟硬體版本號: cpu 8700K,gpu rtx2080 ubuntu 18.04 64位 gcc g++版本調整為7.3(ubuntu18.04的自帶版本) NVIDIA驅
深度學習環境搭建ubuntu16.04_cuda_8.0_cudnn.6.0_anaconda3- 5.01_python3.6_tensorflow_gpu1.4_pycharm2018
本教程簡單粗暴,後期詳細更新….------------------------------------------------------by 麒麟御史 軟體準備: 第一步:安裝ubuntu系統 軟碟通製作U盤安裝Ubuntu 1. 製作U盤安裝 2
ubuntu 下搭建深度學習環境ubuntu18.04+anaconda3+cuda9.0+cudnn7.0+pytorch+nltk
一、anaconda安裝簡單,選擇linux對應的x86版本下載,進入下在目錄,執行對應版本的安裝命令bash Anaconda3-*.sh,按照提示安enter與yes即可 二、cuda9.0也可以裝在18.04的ubuntu系統上,18.04相容16.04
【深度學習】Ubuntu下CUDA+ cuDNN + TensorFlow/TensorLayer 深度學習環境搭建
文章目錄 概述 安裝Anaconda並建立環境 安裝CUDA和cuDNN 下載安裝CUDA 下載安裝cuDNN 安裝TensorFlow和TensorLayer 檢查安裝結果
【深度學習】windows 10下CUDA+ cuDNN + MXNet/TensorFlow/TensorLayer 深度學習環境搭建
文章目錄 關於版本 環境 版本相容關係 搭建過程 安裝Anocanda 安裝CUDA和cuDNN 建立虛擬環境並安裝NXNet 安裝TensorFlow和Te
教你如何用docker快速搭建深度學習環境
本教程搭建集 Tensorflow、Keras、Coffe、PyTorch 等深度學習框架於一身的環境,及jupyter。 一、安裝依賴環境 1. 使用國內映象加速安裝 sudo mv /etc/
保姆級教程——Ubuntu16.04 Server下深度學習環境搭建:安裝CUDA8.0,cuDNN6.0,Bazel0.5.4,原始碼編譯安裝TensorFlow1.4.0(GPU版)
寫在前面 本文敘述了在Ubuntu16.04 Server下安裝CUDA8.0,cuDNN6.0以及原始碼編譯安裝TensorFlow1.4.0(GPU版)的親身經歷,包括遇到的問題及解決辦法,也有一些自己的經驗,希望能對讀者有所幫助。期間參考了許多前人的文章,後文會一一附上鍊接,在此先行謝過。在下能力有限,