感谢支持
我们一直在努力

Ubuntu 16.04下安装CUDA 8.0, Anaconda 4.4.0和TensorFlow 1.2.1

 Ubuntu 16.04下安装Cuda 8.0, Anaconda 4.4.0和TensorFlow 1.2.1

  • Cuda

如果配了Nvidia卡的,可以考虑安装Cuda,这样之后可以用GPU加速。之前写过一篇在Ubuntu 14.04上装Cuda 7.5的文章(http://www.linuxidc.com/Linux/2016-11/136768.htm)TensorFlow 1.2版本貌似需要Cuda Toolkit 8.0,过程和之前是差不多的。更新driver(如需),然后去Nvidia官网下载Cuda和cuDNN安装即可。具体不再累述。对于大部分N卡,Cuda 8.0需要driver的最低版本为367,所以如果已经够用,在安装cuda的时候保险点的话就不用更新驱动。如果更新驱动后不幸中招,如循环登录或无法进入图形界面等问题,可以到字符终端(CTL+ALT+F1)先尝试清除已有驱动,禁用Nvidia开源驱动nouveau,然后重装驱动。

  1. sudo apt-get remove –purge nvdia* 
  2. sudo apt-get install update 
  3. sudo apt-get install dkms build-essential linux-headers-generic 
  4. sudo vim /etc/modprobe.d/blacklist.conf 
sudo apt-get remove --purge nvdia*
sudo apt-get install update
sudo apt-get install dkms build-essential linux-headers-generic
sudo vim /etc/modprobe.d/blacklist.conf

在blacklist.conf中加上:
blacklist nouveau
blacklist lbm-nouveau
options nouveau modeset=0
alias nouveau off
alias lbm-nouveau off

  1. sudo service lightdm stop 
  2. sudo add-apt-repository ppa:graphics-drivers/ppa && sudo apt-get update 
  3. sudo apt-get install nvidia-375 
sudo service lightdm stop
sudo add-apt-repository ppa:graphics-drivers/ppa && sudo apt-get update
sudo apt-get install nvidia-375

重启。如果进不了图形界面,就把unity那坨都重装一下,然后再通过sudo service lightdm start启动桌面环境。

  • Anaconda

Anaconda发行版可以用于创建独立的Python开发运行环境。每个环境中的python runtime都是独立的,互不影响。这样就不用担心安装A的时候把B的环境给破坏了。Anaconda最新版本4.4.0。下载链接为:https://www.continuum.io/downloads。安装很方便,以Anaconda for Python 2.7为例:

  1. bash ~/Downloads/Anaconda2-4.4.0-Linux-x86_64.sh 
bash ~/Downloads/Anaconda2-4.4.0-Linux-x86_64.sh

然后就可以创建环境,比如创建两个分别为python 2.7和3.5的环境:

  1. conda create –name py35 python=3.5 
  2. conda create –name py27 python=2.7 
conda create --name py35 python=3.5
conda create --name py27 python=2.7

其中py27和py35为环境名,之后用:

  1. source activate <env name> 
source activate <env name>

进入相应的环境。退出用:

  1. source deactivate 
source deactivate

列出当前环境信息:

  1. conda list 
conda list

删除环境可以用:

  1. conda remove –name <env name> –all 
conda remove --name <env name> --all

列出现有的环境:

  1. conda env list 
conda env list

列出环境中安装的包:

  1. conda list –name=<env name> 
conda list --name=<env name>

更多用法请参见:https://conda.io/docs/using/envs.html 
 
进入环境后安装包既可以用conda install也可以用传统的pip install,有时网络不给力的时候可能下载会超时:
ReadTimeoutError: HTTPSConnectionPool(host=’pypi.python.org’, port=443): Read timed out.
如果真的只是因为慢,这里可以用延长timeout时间来解决:

  1. pip –default-timeout=10000 install -U <package name> 
pip --default-timeout=10000 install -U <package name>

另外如果在使用过程中碰到下面错误:
ValueError: failed to parse CPython
有可能是和用户目录下的本地环境串了。一个方法是打开anaconda2/lib/python2.7/site.py,修改ENABLE_USER_SITE = False。

  • TensorFlow

目前最新release版本为1.2.1(1.3还是RC状态)。我们就以v1.2.1为例。最方便的话就是装prebuild版:https://www.tensorflow.org/install/install_linux。如果已经装了Anaconda,先进入环境(假设已经创建了python 2.7的环境,名为py27):

  1. source activate py27 
source activate py27

如果没有安装Anaconda的话上面这步就省了。之后安装TensorFlow,其中的binary下载链接需要根据python版本,有无GPU信息在https://www.tensorflow.org/install/install_linux#the_url_of_the_tensorflow_python_package中自行选取。如python 3.5,有GPU的情况下就可以用:

  1. pip install –ignore-installed –upgradehttps://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.2.1-cp35-cp35m-linux_x86_64.whl 
pip install --ignore-installed --upgradehttps://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.2.1-cp35-cp35m-linux_x86_64.whl

再稍微验证下能否顺利加载:

  1. python -c “import tensorflow as tf;print(tf.__version__);” 
python -c "import tensorflow as tf;print(tf.__version__);"

如果打印出刚��的版本号那就差不多了。
 
但官方prebuild版没有加入x86并行指令(SSE/AVX/FMA)优化。因此训练的时候会打印类似下面信息:

  1. 2017-08-12 20:10:39.973508: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn’t compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations. 
  2. 2017-08-12 20:10:39.973536: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn’t compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations. 
  3. 2017-08-12 20:10:39.973541: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn’t compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations. 
  4. 2017-08-12 20:10:39.973545: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn’t compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations. 
  5. 2017-08-12 20:10:39.973549: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn’t compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations. 
2017-08-12 20:10:39.973508: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-12 20:10:39.973536: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-12 20:10:39.973541: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations.
2017-08-12 20:10:39.973545: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations.
2017-08-12 20:10:39.973549: W tensorflow/core/platform/cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations.

有个鸵鸟的办法就是将log level提高,眼不见心不烦:

  1. export TF_CPP_MIN_LOG_LEVEL=2 
export TF_CPP_MIN_LOG_LEVEL=2

但这样把其它一些log也过滤了。另一方面,x86的并行加速指令在一些情况下是可以带来几倍的性能提升的。因此我们可以考虑自己编译一个带该优化的版本。先下载源码,然后checkout相应版本分支(如r1.2):

  1. git clone https://github.com/tensorflow/tensorflow 
  2. git checkout r1.2 
git clone https://github.com/tensorflow/tensorflow
git checkout r1.2

参考https://stackoverflow.com/questions/41293077/how-to-compile-tensorflow-with-sse4-2-and-avx-instructions,安装好编译工具bazel后(https://docs.bazel.build/versions/master/install-ubuntu.html),可以用以下命令编译:

  1. bazel build -c opt –copt=-mavx –copt=-mavx2 –copt=-mfma –copt=-mfpmath=both –copt=-msse4.2 –config=cuda -k //tensorflow/tools/pip_package:build_pip_package 
bazel build -c opt --copt=-mavx --copt=-mavx2 --copt=-mfma --copt=-mfpmath=both --copt=-msse4.2 --config=cuda -k //tensorflow/tools/pip_package:build_pip_package

如果你编译的时候碰到以下错误:

  1. Loading:   
  2. Loading: 0 packages loaded 
  3. ERROR: Skipping ‘//tensorflow/tools/pip_package:build_pip_package’: error loading package ‘tensorflow/tools/pip_package’: Encountered error while reading extension file ‘cuda/build_defs.bzl’: no such package ‘@local_config_cuda//cuda’: Traceback (most recent call last): 
Loading: 
Loading: 0 packages loaded
ERROR: Skipping '//tensorflow/tools/pip_package:build_pip_package': error loading package 'tensorflow/tools/pip_package': Encountered error while reading extension file 'cuda/build_defs.bzl': no such package '@local_config_cuda//cuda': Traceback (most recent call last):

这是一个已知问题(https://github.com/tensorflow/tensorflow/pull/11949),解决方法见https://github.com/tensorflow/tensorflow/pull/11949/commits/c5d311eaf8cc6471643b5c43810a1feb19662d6c,目前貌似还没有pick到发布分支,人肉pick下吧,应该就解决了。编译好后用下面命令在指定目录(如~/tmp/)生成whl安装包,然后就和前面一样安装即可。

  1. bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/tmp/ 
bazel-bin/tensorflow/tools/pip_package/build_pip_package ~/tmp/

如果运行时出现下面错误:

  1. ImportError: Traceback (most recent call last): 
  2. File “tensorflow/python/pywrap_tensorflow.py”, line 41, in <module> 
  3. from tensorflow.python.pywrap_tensorflow_internal import * 
  4. ImportError: No module named pywrap_tensorflow_internal 
ImportError: Traceback (most recent call last):
File "tensorflow/python/pywrap_tensorflow.py", line 41, in <module>
from tensorflow.python.pywrap_tensorflow_internal import *
ImportError: No module named pywrap_tensorflow_internal

根据https://stackoverflow.com/questions/35953210/error-running-basic-tensorflow-example,cd到非tensorflow源码目录即可。

Ubuntu 15.04 下Caffe + + CUDA 7.0 安装配置指南  http://www.linuxidc.com/Linux/2016-11/137497.htm

Caffe 深度学习入门教程  http://www.linuxidc.com/Linux/2016-11/136774.htm

Ubuntu 16.04下Matlab2014a+Anaconda2+OpenCV3.1+Caffe安装 http://www.linuxidc.com/Linux/2016-07/132860.htm

Ubuntu 16.04系统下CUDA7.5配置Caffe教程 http://www.linuxidc.com/Linux/2016-07/132859.htm

Caffe在Ubuntu 14.04 64bit 下的安装 http://www.linuxidc.com/Linux/2015-07/120449.htm

深度学习框架Caffe在Ubuntu下编译安装  http://www.linuxidc.com/Linux/2016-07/133225.htm

Caffe + Ubuntu 14.04 64bit + CUDA 6.5 配置说明  http://www.linuxidc.com/Linux/2015-04/116444.htm

Ubuntu 16.04上安装Caffe http://www.linuxidc.com/Linux/2016-08/134585.htm

Caffe配置简明教程 ( Ubuntu 14.04 / CUDA 7.5 / cuDNN 5.1 / OpenCV 3.1 )  http://www.linuxidc.com/Linux/2016-09/135016.htm

Ubuntu 16.04安装 Caffe GPU版  http://www.linuxidc.com/Linux/2017-09/147111.htm

Ubuntu 16.04上安装Caffe(CPU only)  http://www.linuxidc.com/Linux/2016-09/135034.htm

本文永久更新链接地址:http://www.linuxidc.com/Linux/2017-11/148444.htm

赞(0) 打赏
转载请注明出处:服务器评测 » Ubuntu 16.04下安装CUDA 8.0, Anaconda 4.4.0和TensorFlow 1.2.1
分享到: 更多 (0)

听说打赏我的人,都进福布斯排行榜啦!

支付宝扫一扫打赏

微信扫一扫打赏