ubuntu18.04安装tensorflow-gpu 驱动gtx1060+CUDA Toolkit 9.0+ CUDNN 7.0+libcupti+配置+安装tensorflow-gpu+测试

本文详细介绍了如何在Ubuntu 18.04上安装TensorFlow-GPU,包括安装CUDA Toolkit 9.0、cuDNN 7.0、libcupti,以及配置环境变量和测试步骤。确保拥有root权限,并遵循文中提供的命令进行操作。

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

具备条件:root权限进行操

修改root密码:

1.  $ sudo passwd    输入两次新密码
2.  $ su root       登陆 root账户

显卡驱动安装:

step .1:首先,检测你的NVIDIA图形卡和推荐的驱动程序的模型。执行命令:
$ ubuntu-drivers devices
输出结果为:

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00001180sv00001458sd0000353Cbc03sc00i00
vendor   : NVIDIA Corporation
model    : GK104 [GeForce GTX 680]
driver   : nvidia-304 - distro non-free
driver   : nvidia-340 - distro non-free
driver   : nvidia-384 - distro non-free recommended
driver   : xserver-xorg-video-nouveau - distro free builtin
 
== cpu-microcode.py ==
driver   : intel-microcode - distro free
从中可以看到,这里有一个设备是GTX 680 ,对应的驱动是NVIDIA -304,340,384 ,而推荐是安装384版本的驱动。

step.2,安装驱动

你可以选择,安装所有推荐的驱动,如下命令

 

$ sudo ubuntu-drivers autoinstall

安装完成后最好重

<think>好的,用户想了解如何搭建R-FCN的环境。我需要先回忆R-FCN的相关信息,它基于深度学习框架,比如Caffe,可能需要一些特定的依赖库。首先,应该列出所需的软件和硬件环境,比如CUDAcuDNN、Python版本等。然后,分步骤说明如何配置这些环境。 接下来,用户可能需要安装Caffe,但R-FCN可能有自己的分支或修改版,需要从官方仓库克隆。记得要提醒用户安装必要的依赖项,比如OpenCV、BLAS等。编译Caffe时的常见问题,比如Makefile配置,需要调整CUDA路径和计算能力设置。 然后,数据处理部分,可能需要下载预训练模型和数据集,比如PASCAL VOC或MS COCO。需要指导用户如何准备数据,创建符号链接等。测试安装是否成功,运行demo脚本,并解释可能出现的错误,比如路径问题或依赖项缺失。 还要注意不同版本之间的兼容性问题,比如cuDNN版本过高可能导致编译错误,这时候可能需要降级或者修改代码。另外,Python接口的编译也是关键步骤,确保用户可以调用Python接口进行训练和测试。 可能用户是计算机视觉领域的学生或研究者,对环境搭建有一定基础,但可能遇到依赖项冲突或配置错误。需要步骤详细,但避免过于冗长,关键点要突出,比如修改Makefile.config.example,处理CUDA架构设置等。 最后,验证安装成功的方法,比如运行测试用例或示例程序,确保所有组件正常工作。可能还需要提到常见的错误和解决方法,比如内存不足时调整批量大小,或者多GPU配置的注意事项。 总结下来,回答应该分步骤,从环境准备、依赖安装、代码获取、编译配置、数据准备到验证测试,每个步骤简明扼要,重点突出可能出错的地方,帮助用户高效搭建R-FCN环境。</think>R-FCN(Region-based Fully Convolutional Networks)环境搭建可分为以下几个步骤: --- ### 一、硬件与基础环境要求 1. **操作系统**:推荐Ubuntu 16.04/18.04或CentOS 7+ 2. **GPU**:NVIDIA GPU(需支持CUDA,如GTX 1080/Titan V等) 3. **CUDA**:版本9.0/10.0(需与GPU驱动兼容) 4. **cuDNN**:7.0+(需与CUDA版本匹配) 5. **Python**:2.7或3.6 --- ### 二、依赖安装 1. 安装NVIDIA驱动CUDA: ```bash sudo apt-get install build-essential # 从NVIDIA官网下载对应驱动CUDA Toolkit ``` 2. 安装cuDNN: ```bash # 解压cudnn包后复制到CUDA目录 sudo cp cuda/include/* /usr/local/cuda/include/ sudo cp cuda/lib64/* /usr/local/cuda/lib64/ ``` 3. 安装Python依赖: ```bash pip install numpy opencv-python cython matplotlib ``` --- ### 三、编译Caffe框架(R-FCN依赖) 1. 克隆R-FCN官方仓库: ```bash git clone --recursive https://github.com/daijifeng001/R-FCN.git cd R-FCN ``` 2. 修改编译配置- 复制并编辑`Makefile.config.example`: ```bash cp Makefile.config.example Makefile.config vim Makefile.config ``` - 关键配置项: ```makefile USE_CUDNN := 1 WITH_PYTHON_LAYER := 1 CUDA_DIR := /usr/local/cuda ``` 3. 编译Caffe: ```bash make -j8 && make pycaffe ``` > 若报错`nvcc fatal: Unsupported gpu architecture &#39;compute_XX&#39;`,需在`Makefile.config`中注释掉不支持的CUDA架构 --- ### 四、数据准备与模型下载 1. 下载PASCAL VOC数据集: ```bash cd data wget http://host.robots.ox.ac.uk/pascal/VOC/voc2007/VOCtrainval_06-Nov-2007.tar tar xvf VOCtrainval_06-Nov-2007.tar ``` 2. 下载预训练模型: ```bash ./data/scripts/fetch_rfcn_models.sh ``` --- ### 五、验证安装 1. 运行Demo测试: ```bash python ./tools/demo.py ``` - 成功标志:输出检测结果图像且无报错 --- ### 常见问题解决 1. **CUDAcuDNN版本冲突**:降级cuDNN或升级CUDA 2. **Python路径错误**:在`~/.bashrc`中添加: ```bash export PYTHONPATH=/path/to/R-FCN/python:$PYTHONPATH ``` 3. **内存不足**:在`lib/rfcn/config.py`中减小`__C.TRAIN.BATCH_SIZE` 通过以上步骤可完成R-FCN环境搭建。如遇问题建议优先检查CUDA/cuDNN兼容性及路径配置
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

打赏作者

doublewei1

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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