Linux搭建tensorflow benchmark环境

本文详细介绍了在CentOS7环境下为Nvidia Tesla P40 GPU搭建CUDA环境的过程,包括驱动安装、CUDA与cuDNN软件下载与安装、Python版本选择,以及TensorFlow-GPU 1.9.0的安装步骤。此外,还提供了benchmark测试程序的下载与运行指南。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

1、环境

类别详情
操作系统CentOS 7.2 1151
GPU1个Nvidia Tesla P40

2、python版本、tensorflow-gpu、CUDA及cudnn之间的对应关系

    如下图所示,图中列出了针对GPU驱动版本来说,python版本、CUDA和cudnn之间的对应关系,这只是一个粗略的对应关系,在实际安装的过程中,需要尝试具体的版本对应关系。

在这里插入图片描述

    我们选择使用的是tensorflow-gpu-1.9.0版本,所以需要下载对应的CUDA版本是9,cuDNN版本是7。下面我们将下载所需要显卡驱动,及CUDA和cuDNN软件。

3、软件安装包下载

3.1 驱动下载

    从NVIDIA官网找到对应系统支持的驱动版本,下载安装即可。
    NVIDIA driver下载地址:https://www.nvidia.cn/Download/index.aspx
    因为centos和RHEL7都是RedHat的操作系统,只是centos是免费的,但是软件包时通用的,所以我们选择【Linux 64-bit RHEL7】,下载的驱动信息如下

在这里插入图片描述

    然后点击【SEARCH】,之后下载即可。

3.2 CUDA和cuDNN软件下载

(1)CUDA下载

    我们选择的tensorflow-gpu的版本是1.9.0,这两个版本对应的都是CUDA-9和cudnn-7,所以选择下载CUDA-9.0。
    CUDA-9.0下载地址:https://developer.nvidia.com/cuda-90-download-archive
    找到Linux对应的版本,我们按照下图中红框的选择,一步一步进行选择即可,然后即可下载对应的rpm安装包【cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64.rpm】。

在这里插入图片描述

(2)cudnn-7版本下载

    登陆cudnn下载网址:https://developer.nvidia.com/rdp/cudnn-archive
    选择CUDA-9.0对应的cuDNN v7.1.4,选择linux对应的版本,这里已经找好了对应的下载链接,如下:
    cuDNN v7.1.4: https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.1.4/prod/9.2_20180516/cudnn-9.2-linux-x64-v7.1
    cuDNN v7.1.3版本的下载链接如下:
    cuDNN v7.1.3:https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.1.3/prod/9.0_20180414/cudnn-9.0-linux-x64-v7.1

3.3 python版本下载

    安装Python3版本,Linux系统运行下面的命令即可安装

        yum install -y python3.x86_64

    还需要安装Python3的一编程依赖包,例如python3-dev python3-header,使用下面的命令安装。

        yum install -y python3-devel.x86_64

4、环境搭建

4.1 安装P40显卡驱动

4.1.1 禁用系统自带的显卡驱动【nouveau】

    操作步骤如下:
      1、在系统中查看是否存在【/etc/modprobe.d/blacklist.conf】,如果不存在,则创建。
      2、在该文件中写入“blacklist nouveau”
      3、备份原来的initramfs image file。执行下面的命令
sudo mv /boot/initramfs- ( u n a m e − r ) . i m g / b o o t / i n i t r a m f s − (uname -r).img /boot/initramfs- (unamer).img/boot/initramfs(uname -r).img.bak
      4、重新建立 the initramfs file。执行下面的命令
sudo dracut -v /boot/initramfs-$(uname -r).img
      5、reboot系统
    至此系统自带显卡驱动禁用完成,等系统启动后,可以执行【lsmod |grep nouveau】来验证。

4.1.2 安装P40显卡驱动

    我们安装的P40显卡驱动是【NVIDIA-Linux-x86_64-430.46-grid.run】。执行命令【sh NVIDIA-Linux-x86_64-430.46-grid.run】即可启动安装程序。但是会出现如下错误。

在这里插入图片描述

    这是因为系统中没有安装kernel对应的devel开发包和header头文件。这里的解决方法有两个:
    (1)使用【uname -r】命令查看内核版本,然后从网上下载对应的kernel devel和kernel header包安装上即可。
    (2)执行命令【yum install -y kernel.x86_64 kernel-headers.x86_64 kernel-devel.x86_64】命令安装系统支持的最新kernel版本,及kernel devel和kernel header包来解决此问题。
    我们选择的解决方法是(2),安装完后需要重启生效。
系统重启后,我们再来运行命令【sh NVIDIA-Linux-x86_64-430.46-grid.run】,进入下面的界面。
在这里插入图片描述在这里插入图片描述

    点击【回车】,进入下面界面
在这里插入图片描述

    选择【Yes】,进入下面界面
在这里插入图片描述

    至此,完成P40的显卡驱动安装,可以执行命令【lsmod | grep nvidia】来验证下,如下图
在这里插入图片描述

4.1.3 CUDA-9.0安装

    按照下面的步骤来安装CUDA-9.0
    (1)执行命令【rpm -ivh cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64.rpm】来安装cuda repo文件。
    (2)执行【yum install -y cuda】来在线安装。
    命令执行成功后,即完成安装。

4.1.4 cuDNN-7安装

    解压cuDNN文件【cudnn-9.2-linux-x64-v7.1.tar】,会解压出一个cuda的文件夹,之后执行
cp -rf cuda/lib64/* /usr/local/cuda-9.0/lib64/ cp -rf cuda/include/* /usr/local/cuda-9.0/include/
    把cuDNN的文件拷贝到cuda-9.0的相应文件夹中即可。

4.1.5 tensorflow-gpu-1.9.0安装

    执行下面的命令即可安装

pip3 install tensorflow-gpu==1.9 -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn

5、benchmark相关测试

5.1 下载benchmark程序

    登陆https://github.com/tensorflow/benchmarks网址来下载ZIP程序压缩包,也可以使用git clone -b cnn_tf_v1.9_compatible https://github.com/tensorflow/benchmarks.git 下载cnn_tf_v1.9_compatible分支代码。如果没有git,则执行下面命令进行安装。

yum install -y git

5.2 运行tf_cnn_benchmarks.py程序

    进入benchmark程序目录【benchmarks/scripts/tf_cnn_benchmarks】中执行程序

python3 tf_cnn_benchmarks.py

    如果出现下面的错误:

ImportError: /usr/local/cuda-9.0/targets/x86_64-linux/lib/libcudnn.so.7: file too short

    则进入目录【/usr/local/cuda-9.0/lib64】,发现有两个文件libcudnn.so.7和libcudnn.so.7.1.4,而libcudnn.so.7.1.4文件是从cuDNN软件拷贝到cuda-9目录中,所以libcudnn.so.7是libcudnn.so.7.1.4的软连接,可以在【/usr/local/cuda-9.0/lib64】目录执行下面的命令建立软件列

ln -sf libcudnn.so.7.1.4 libcudnn.so.7

    此时再执行命令【python3 tf_cnn_benchmarks.py】即可成功运行。程序执行效果如下图。
在这里插入图片描述

### 如何搭建 DXSLAM 环境 #### 安装依赖库 为了成功构建和运行 DXSLAM,需先安装一系列必要的开发工具和库。这些包括但不限于 C++ 编译器(支持 C++11 或更高版本)、Pangolin、OpenCV、Eigen3 和 DBoW/FBoW 及 g2o 库,以及 TensorFlow 版本 1.12。 对于 Linux 用户来说,可以通过包管理器来简化部分软件的获取过程。例如,在 Ubuntu 上可以利用 `apt-get` 来快速安装一些常用组件: ```bash sudo apt update && sudo apt install cmake libpango1.0-dev python-opencv \ libeigen3-dev libsuitesparse-dev qtbase5-dev libvtk7-dev ``` TensorFlow 的安装则建议参照官方文档指南完成 Python 虚拟环境配置并执行 pip 命令进行安装[^3]。 #### 获取源代码 通过 Git 将 DXSLAM 源码克隆到本地工作区中: ```bash git clone https://github.com/raulmur/DXSLAM.git DXSLAM ``` 这一步会创建名为 "DXSLAM" 的文件夹,并从中拉取项目最新版次的内容[^2]。 #### 构建工程 进入刚下载下来的仓库根目录下找到预置好的脚本文件 `build.sh` 并赋予可执行权限之后直接调用它来进行整个项目的编译操作: ```bash cd DXSLAM/dxslam/ chmod +x build.sh ./build.sh ``` 此命令序列将会自动处理所有子模块初始化、第三方资源同步等工作直至最终生成可供调试使用的二进制程序文件。 #### 准备测试数据集 最后准备用于验证算法性能的数据样本集合。通常情况下开发者会选择 TUM RGB-D 数据作为默认选项之一;当然也可以考虑其他公开可用的标准 benchmark 测试案例以评估不同场景下的鲁棒性和准确性表现[^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