將您的GPU機器設(shè)置為“深度學(xué)習(xí)準(zhǔn)備”

基于GPU的GoogleCloud平臺深度學(xué)習(xí)

我知道，支持gpu的高端深入學(xué)習(xí)系統(tǒng)構(gòu)建起來非常昂貴，而且很難獲得。

這是在假設(shè)您有一臺可用GPU的裸機器的情況下編寫的，如果有部分預(yù)置，請隨意跳過某個部分，我還假設(shè)您有一個NVIDIA卡，我們只會在本教程中介紹TensorFlow的設(shè)置，它是最流行的深度學(xué)習(xí)框架(Kudos to Google！)

安裝CUDA驅(qū)動程序

CODA是NVIDIA的并行計算平臺，是TensorFlow的基本前提。但是，正如我們稍后將理解的，它實際上是更好的開始相反的方式，所以讓我們回到這個部分稍后。

安裝TensorFlow

啟動您的終端(或者SSH，如果是遠(yuǎn)程計算機)。找到特定應(yīng)用程序所需的TensorFlow版本(如果有的話)，或者如果沒有這樣的限制，我們只需使用我目前使用的TensorFlow 1.8.0。

PIP安裝TensorFlow-GPU=1.8.0

讓它安裝?，F(xiàn)在運行Python shell，

Python

在Pythonshell中，鍵入：

進(jìn)口TensorFlow作為TF

此時，由于我們沒有安裝CUDA，您應(yīng)該會看到一個類似于以下內(nèi)容的錯誤：

ImportError：libcublas.so.9.0：無法打開共享對象文件：沒有這樣的文件或目錄

9.0和文件名可能取決于您選擇的TensorFlow版本。但相反的做法是要知道我們需要哪種版本的數(shù)據(jù)自動化系統(tǒng)，在這個例子中是9.0。官方文件對TF版本和CUDA版本的對應(yīng)還不清楚，所以我總是發(fā)現(xiàn)這種逆向工程方法更好。

讓我們回到安裝CUDA。

使用

出口()

退出Pythonshell。

安裝CUDA驅(qū)動程序(這一次我們真的要這么做，保證)

所以導(dǎo)航到https://developer.nvidia.com/cuda-toolkit-archive。選擇剛才確定的版本。

Linux->x86_64->Ubuntu->16.04(或17.04)->DEB(網(wǎng)絡(luò))

下載DEB到您的機器，并按照NVIDIA頁面上的說明安裝CUDA。一旦完成，讓我們檢查一下是否一切順利。

回去，重新打開Python外殼，

進(jìn)口TensorFlow作為TF

因此，我們還沒有完成，您現(xiàn)在應(yīng)該看到一個不同的錯誤消息。(如果您看到的是前面相同的一個，請參閱下面的“故障排除”)

ImportError：libcudnn.so.7：無法打開共享對象文件：沒有這樣的文件或目錄

我們還需要一個名為cuDNN的NVIDIA庫，它用于對深層神經(jīng)網(wǎng)絡(luò)的GPU加速。再次注意我們需要的cuDNN版本，在本例中為7.0。

導(dǎo)航到https://developer.nvidia.com/cudnn注冊一個帳戶(這是免費的)。在您建立帳戶后，登錄并轉(zhuǎn)到https://developer.nvidia.com/rdp/cudnn-archive

選擇所需的cuDNN版本，并確保您選擇該版本的CUDA版本。在這種情況下我們需要

下載cuDNN v7.0.5(2017年12月5日)，用于CUDA 9.0

在選擇中，

用于Linux的cuDNN v7.0.5庫

tgz文件將開始下載，將其移動到您的計算機，然后使用

tar-xzvf<CUDNN_TAR_filename>

將提取一個文件夾“Cuda”，將CD解壓縮到該目錄，并執(zhí)行這兩個文件，

我們已經(jīng)完成了(希望)。再次啟動Pythonshell，您就知道該做什么了。

如果這次沒有拋出任何錯誤，我們就沒事了。

為了確保TensorFlow檢測到GPU，在相同的Pythonshell上運行以下命令

tf.test.gpu_Device_name()

它應(yīng)該打印出所有可供您使用的GPU。這在較早版本的TF上可能不起作用，如果是這樣的話，可以在您的終端上嘗試這個版本：

NVIDIA-SMI

故障排除

如果您做的一切都正確，而TensorFlow仍然拋出相同的錯誤，即使NVIDIA-SMI工作中，這可能是環(huán)境路徑變量的一個問題。執(zhí)行這些來修復(fù)：

縱然NVIDIA-SMI命令不工作，CUDA沒有正確安裝，如果您遺漏了什么，請重新啟動。