Tensorflow-gpu版本安装
⽬录
最近给公司部署⼀套深度学习相关的环境，以tensorflow为框架。简单整理下整个的部署过程。
服务器选型
我们的tensorflow是基于gpu的版本，使⽤的是tensorflow-gpu 1.12.0版本。既然是gpu的版本，那么⾸先得需要⼀个带有gpu的服务器。我们这⾥直接使⽤阿⾥云服务器，型号如下：
NVIDIA GPU驱动安装
那么既然有了带gpu的服务器，gpu驱动就必然是⼀个绕不开的话题。通过上⾯的选型我们可以知道，阿⾥云的购买页⾯明确给出了gpu的型号，我们需要去到gpu官⽅⽹站，根据型号选择驱动。
下载的驱动名称⽰例：NVIDIA-Linux-x86_64-410.104.run
安装的话相对⽐较简单：
# 通过shell运⾏，然后按照提⽰操作即可
sh NVIDIA-Linux-x86_64-410.104.run
验证是否正常安装了：
[root@ctnr ~]# nvidia-smi
Tue Mar 26 11:31:34 2019
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 410.104 Driver Version: 410.104 CUDA Version: 10.0 |
|-------------------------------+----------------------+----------------------+
| GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC |
| Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. |
|===============================+======================+======================|
| 0 Tesla P4 Off | 00000000:00:08.0 Off | 0 |
| N/A 28C P8 7W / 75W | 0MiB / 7611MiB | 0% Default |
+-------------------------------+----------------------+----------------------+
+-----------------------------------------------------------------------------+
| Processes: GPU Memory |
| GPU PID Type Process name Usage |
|=============================================================================|
| No running processes found |
+-----------------------------------------------------------------------------+
查看当前服务器显卡的个数：
yum install -y lspci
[root@ctnr ~]# lspci|grep -i nvidia
00:08.0 3D controller: NVIDIA Corporation GP104GL [Tesla P4] (rev a1)
其中00:08.0是显卡的代号，通过如下⽅式可以查看详细的显卡信息：
[root@ctnr ~]# lspci -v -s 00:08.0
00:08.0 3D controller: NVIDIA Corporation GP104GL [Tesla P4] (rev a1)
Subsystem: NVIDIA Corporation Device 11d8
Physical Slot: 8
Flags: bus master, fast devsel, latency 0, IRQ 39
Memory at fd000000 (32-bit, non-prefetchable) [size=16M]
Memory at e0000000 (64-bit, prefetchable) [size=256M]
Memory at f2000000 (64-bit, prefetchable) [size=32M]
Capabilities: [60] Power Management version 3
Capabilities: [68] MSI: Enable+ Count=1/1 Maskable- 64bit+
Capabilities: [78] Express Endpoint, MSI 00
Capabilities: [c8] Vendor Specific Information: Len=08 <?>
Kernel driver in use: nvidia
Kernel modules: nouveau, nvidia_drm, nvidia
cuda和cudnn的安装
tensorflow-gpu要想正常运⾏，除了必要的gpu驱动，还依赖cuda和cudnn两个sdk。
下⾯是tensorflow-gpu版本依赖的cuda和cudnn的版本：
cuda是深度学习的sdk
cudnn是神经⽹络的sdk
cuda安装
cuda的下载地址：
需要下载cuda包，以及所有的补丁⽂件，我这⾥因为是centos，所以下载的全是rpm包。直接通过yum安装即可：
yum localinstall -y cuda-repo-rhel7-9-0-*.rpm
需要说明的是，这些包都只是本地仓库包，也就是说，安装了这些包，并不会真正安装cuda，⽽只是把cuda的包在本地⽣成了⼀个本地yum 源。这个时候，就可以直接使⽤yum install -y cuda来安装cuda了。
验证安装：
[root@ctnr ~]# cat /usr/local/
CUDA Version 9.0.176
cudnn的安装
cudnn的下载地址：
需要说明的是，要下载cudnn，需要先登录，这就要求我们得要有nvidia的帐号。
这两个包也是rpm包，直接安装即可。
安装完成后的验证⽅式如下：
[root@ctnr ~]# cat /usr/include/cudnn_v7.h |grep CUDNN_MAJOR -A 2
#define CUDNN_MAJOR 7
#define CUDNN_MINOR 5
#define CUDNN_PATCHLEVEL 0
-
-
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)
#include "driver_types.h"
上⾯的三⾏，分别代表主版本、次版本以及修定版本
在上图中，其实可以看到，除了定制的系统版本，cudnn也提供通⽤版本，即cnDNN Library for Linux，下载下来是⼀个的⽂件，我们可以通过如下⽅式安装即可：
tar xf cudnn-9.0-linux-x64-v7.5.
cp cuda/lib/64/libcudnn.so* /usr/local/cuda/lib64/
cp cuda/lib64/libcudnn_static.a /usr/local/cuda/lib64/
cp cuda/include/cudnn.h /usr/include/
另外，还需要说明的是，我尝试在windows上直接下载通⽤版本的时候，下载的总是⼀个solitairetheme
8为后缀的⼀个卡牌游戏。在linux上通过wget的⽅式下载，则是正常的压缩包。
tensorflow-gpu安装
我这⾥简化部署，直接使⽤pip安装：
yum install -y python36 python36-pip
tensorflow版本选择pip3 install -U pip six numpy wheel mock
pip3 install -U keras_applications==1.0.5 --no-deps
pip3 install -U keras_preprocessing==1.0.3 --no-deps
pip3 install tensorflow-gpu-1.12.0⾄此，tensorflow安装完成。
发表评论