本文講述了使用NVIDIA官方工具搭建基于GPU的TensorFlow平臺(tái)的教程。

 

 

《在谷歌云平臺(tái)搭建基于GPU的深度學(xué)習(xí)》

我知道，基于GPU的高端的深度學(xué)習(xí)系統(tǒng)構(gòu)建起來非常昂貴，并且不容易獲得，除非你……

https://hackernoon.com/deep-learning-with-google-cloud-platform-66ada9d7d029

假設(shè)你有一臺(tái)帶有GPU的裸機(jī), 當(dāng)然如果有些配置是預(yù)先設(shè)置好的，可以跳過下面部分教程。此外，我還假設(shè)你有一個(gè)NVIDIA的顯卡,我們?cè)诒窘坛讨兄挥懻撊绾闻渲肨ensorFlow,也就是目前最受歡迎的深度學(xué)習(xí)框架(向谷歌致敬!)

安裝CUDA驅(qū)動(dòng)程序

CUDA是NVIDIA開發(fā)的一個(gè)并行計(jì)算平臺(tái)，是搭建TensorFlow的基本前提。但是我們后面會(huì)提到，實(shí)際上最好使用逆向工作的方法，所以我們稍后再回到這部分。

安裝TensorFlow

啟動(dòng)終端(如果是遠(yuǎn)程訪問的話，就使用SSH)�？傊�，找到特定應(yīng)用程序(如果有的話)所需的TensorFlow版本，或者如果沒有這樣的限制，可以使用我目前使用的TensorFlow 1.8.0。

pip install tensorflow-gpu==1.8.0

在TensorFlow安裝的時(shí)候，我們運(yùn)行下Python shell，

python

在Python shell中輸入下面的代碼：

import tensorflow as tf

但這時(shí)我們還沒有安裝CUDA，你會(huì)看到類似下面的報(bào)錯(cuò)：

ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory

9.0版本、文件名或者是其他的報(bào)錯(cuò)，這取決于您選擇的TensorFlow版本。但是這樣做的目的是知道我們需要哪個(gè)版本的CUDA，在這個(gè)例子中是9.0。官方文檔中TF版本和CUDA版本的對(duì)應(yīng)關(guān)系不是很清楚，所以我一直覺得這種逆向工程方法更好。

然后，我們?cè)倩氐紺UDA的安裝。使用

exit()

退出Python shell。

安裝CUDA驅(qū)動(dòng)(相信我，這次是真的安裝)

轉(zhuǎn)到https://developer.nvidia.com/cuda-toolkit-archive。根據(jù)之前的操作，選擇你需要的版本：

Linux->x86_64->Ubuntu->16.04 (or 17.04)->deb (network)

下載相應(yīng)的.deb文件，并按照NVIDIA的官方說明安裝CUDA。完成之后，讓我們檢查下是否一切正常。

再次打開Python shell并運(yùn)行下面的代碼，

import tensorflow as tf

當(dāng)然，我們還沒有完成，這次你會(huì)看到稍微不同的報(bào)錯(cuò)(如果在此之前就出現(xiàn)了類似的報(bào)錯(cuò)，參考下面的“Troubleshooting”中的修復(fù)方法)

ImportError: libcudnn.so.7: cannot open shared object file: No such file or directory

我們還需要NVIDIA提供的一個(gè)叫做cuDNN的庫，它可以使用GPU加速深度神經(jīng)網(wǎng)絡(luò)的計(jì)算。注意，本教程中的cuDNN版本是7.0。

打開https://developer.nvidia.com/cudnn并注冊(cè)一個(gè)帳戶(免費(fèi)的)。

注冊(cè)好帳號(hào)后，登錄

https://developer.nvidia.com/rdp/cudnn-archive。

選擇你需要的cuDNN版本，并確保你選擇該版本所對(duì)應(yīng)的CUDA版本。在本教程中，我們需要下載以下版本，

Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0

在下拉選項(xiàng)中選擇，

cuDNN v7.0.5 Library for Linux

這樣，.tgz文件就開始下載了，將文件存儲(chǔ)到你的機(jī)器上，并使用以下命令進(jìn)行提取，

tar -xzvf

最終提取出一個(gè)名為“CUDA”的文件夾，切換到該目錄，并執(zhí)行下面兩條命令，

sudo cp lib64/* /usr/local/cuda/lib64/

sudo cp include/cudnn.h /usr/local/cuda/include/

這樣就完成了(但愿如此)。再次啟動(dòng)Python shell，這次你知道該做什么。

如果這次運(yùn)行沒有報(bào)錯(cuò)，那就沒問題了。

為確保TensorFlow能夠檢測(cè)到GPU，在Python shell中使用以下代碼，

tf.test.gpu_device_name()

它將會(huì)把所有可用的GPU顯示出來。如果這個(gè)命令在舊版本的TF可能運(yùn)行不了，可以試試下面的命令。

nvidia-smi

問題修復(fù)

如果所有配置都正確， nvidia-smi也可以執(zhí)行，但TensorFlow仍然報(bào)出相同的錯(cuò)誤，那么很有可能環(huán)境變量出了問題。執(zhí)行下面的命令進(jìn)行修復(fù)：

export LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH}

export PATH=/usr/local/cuda/lib64:${PATH}

如果 nvidia-smi命令都無法執(zhí)行，CUDA沒有正確安裝，那就重新安裝配置一遍，看看有沒有什么遺漏的地方。

歡迎大家提問，建議或者批評(píng)。

祝好。

原文標(biāo)題：

Setting up your GPU machine to be Deep Learning ready

原文鏈接：

https://hackernoon.com/setting-up-your-gpu-machine-to-be-deep-learning-ready-96b61a7df278

譯者簡(jiǎn)介

陳振東，工資不高、想法不少，目前工作于北京銀行軟件開發(fā)部，負(fù)責(zé)核心系統(tǒng)的建設(shè)，主要方向包括客戶信息(CIF)模型、三方支付交易等，并作為主要成員參與銀行分布式與云計(jì)算平臺(tái)的搭建。熱衷于對(duì)金融數(shù)據(jù)架構(gòu)與統(tǒng)計(jì)分析方法的研究，希望通過更多的交流拓寬工作和學(xué)習(xí)的思路。

標(biāo)簽： 深度學(xué)習(xí) 人工智能

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。