笔记本建立Tensorflow(GPU)环境

笔记本TF环境构建与台式机非常类似,主要是安装CUDA的方式不一样,并且笔记本安装CUDA比较麻烦,经过多次测试找到了一种比较简单有效的方法。基本环境:ubuntu16-64bit,CUDA8,cuDNN5.1,python2.7,TF0.11(已经支持cuDNNv5了)

1. 安装CUDA8

目标系统是Ubuntu16-64bit,经过多次尝试,只有deb安装方式可行,其他的方式没有成功过。注意:最好是新系统安装,如果以前安装过NIVIDA笔记本显卡的驱动就要先卸载,安装CUDA时会自动安装相应的驱动,更方便可靠。首先是下载相应的deb文件,然后是参考安装手册安装deb文件:

第一步命令补全自己下载的deb文件名称,第三步添加路径时可以在home文件夹隐藏文件.bashrc中添加下列语句(“Ctrl+H可以显示隐藏文件”),直接修改即可,需要在文件最后添加的语句:(添加后重启一下


export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}} 
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64\{LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}  


之后就是按照第4步编译一个例子,看能不能运行,如果可以,表示CUDA的环境安装好了。

2. 安装cuDNN
下载cuDNN5.1 ,安装方法如下(这个是把一些文件复制到指定位置即可):

tar xvzf cudnn-8.0-linux-x64-v5-prod.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*
 
 
3. 安装pip和TF
TF安装很简单,按照参考官网
sudo apt-get install python-pip python-dev
export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl
sudo pip install --upgrade $TF_BINARY_URL
(中间需要下载一些东西,可能比较慢,如果最后一步出现错误,重启一下电脑再重新执行3.)

4. 测试TF
    
进入Python测试:(显示一些输入输出,能运行即表示TF安装成功了
$ python
...
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>


### 在 Linux 系统中安装和配置 TensorFlow-GPU #### 虚拟环境准备 为了确保依赖项不会与其他项目冲突,建议先创建一个独立的 Anaconda 或 Conda 虚拟环境。通过以下命令可以完成虚拟环境建立并激活它: ```bash conda create -n tensorflow_env python=3.8 conda activate tensorflow_env ``` 此操作将创建名为 `tensorflow_env` 的新环境,并将其 Python 版本设置为 3.8[^3]。 #### 安装必要的库 在虚拟环境中,除了 TensorFlow 外还需要一些常用的科学计算库来辅助开发工作流。这些可以通过 pip 工具轻松安装: ```bash pip install numpy==1.19.5 pandas==1.2.4 scikit-learn==0.24.2 ``` 上述命令分别用于安装 NumPy、Pandas 和 Scikit-Learn 库,它们对于数据处理和机器学习模型构建非常重要。 #### 安装 TensorFlow-GPU 有多种方法可以选择安装 TensorFlow-GPU,具体取决于个人偏好以及系统的 CUDA/CuDNN 支持情况。以下是几种常见方式: ##### 使用 Pip 进行安装 如果系统已经正确设置了 NVIDIA 显卡驱动程序及其对应的 CUDA Toolkit 和 CuDNN 库,则可以直接利用 pip 来安装特定版本的 TensorFlow-GPU: ```bash pip install tensorflow-gpu==2.5.0 ``` 或者当遇到网络连接问题时可考虑清华镜像源作为替代方案: ```bash pip install tensorflow-gpu==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple ``` 另外还有一种强制全局权限的方式适用于某些特殊场景下的部署需求: ```bash sudo pip3 install tensorflow-gpu==2.5.0 ``` 以上三种途径均能实现相同目标——即引入支持 GPU 加速功能的 TensorFlow 框架到当前运行环境中。 ##### 利用 Conda 渠道管理器执行安装过程 另一种推荐的方法是从官方认可的安全仓库(如 conda-forge)获取预编译好的二进制文件来进行安装: ```bash conda install tensorflow-gpu==2.6.0 -c conda-forge ``` 值得注意的是,采用这种方法的好处在于它可以自动解决大部分关于兼容性的难题,比如适配合适的 cuda toolkit 及 cuDNN 组件等复杂关系链路[^5]。 #### 验证安装成果 最后一步至关重要,那就是验证整个流程是否顺利完成无误。进入 Python 解析器界面之后输入下面几行测试代码即可判断是否有任何潜在隐患存在: ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) ``` 这段脚本的作用是用来统计实际能够被识别出来的物理级图形处理器数量;理想状态下应该返回大于零的结果表明至少有一张显卡可供调用参与运算活动之中。 ### Docker 方案简介 除此之外,还有基于容器化技术解决方案值得探索一番。例如借助于预先打包完毕的标准映像文件快速启动具备完整功能特性的交互式笔记本服务端实例: ```bash docker pull tensorflow/tensorflow:2.2.0-gpu-jupyter docker run -it --gpus all -p 8888:8888 tensorflow/tensorflow:2.2.0-gpu-jupyter ``` 这样做的优势是可以完全隔离宿主机原有软硬件状态影响因素干扰的同时享受高度一致化的实验平台体验效果[^4]。 ---
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值