将您的GPU机器设置为“深度学习准备”

基于GPU的GoogleCloud平台深度学习

我知道，支持gpu的高端深入学习系统构建起来非常昂贵，而且很难获得。

这是在假设您有一台可用GPU的裸机器的情况下编写的，如果有部分预置，请随意跳过某个部分，我还假设您有一个NVIDIA卡，我们只会在本教程中介绍TensorFlow的设置，它是最流行的深度学习框架(Kudos to Google！)

安装CUDA驱动程序

CODA是NVIDIA的并行计算平台，是TensorFlow的基本前提。但是，正如我们稍后将理解的，它实际上是更好的开始相反的方式，所以让我们回到这个部分稍后。

安装TensorFlow

启动您的终端(或者SSH，如果是远程计算机)。找到特定应用程序所需的TensorFlow版本(如果有的话)，或者如果没有这样的限制，我们只需使用我目前使用的TensorFlow 1.8.0。

PIP安装TensorFlow-GPU=1.8.0

让它安装。现在运行Python shell，

Python

在Pythonshell中，键入：

进口TensorFlow作为TF

此时，由于我们没有安装CUDA，您应该会看到一个类似于以下内容的错误：

ImportError：libcublas.so.9.0：无法打开共享对象文件：没有这样的文件或目录

9.0和文件名可能取决于您选择的TensorFlow版本。但相反的做法是要知道我们需要哪种版本的数据自动化系统，在这个例子中是9.0。官方文件对TF版本和CUDA版本的对应还不清楚，所以我总是发现这种逆向工程方法更好。

让我们回到安装CUDA。

使用

出口()

退出Pythonshell。

安装CUDA驱动程序(这一次我们真的要这么做，保证)

所以导航到https://developer.nvidia.com/cuda-toolkit-archive。选择刚才确定的版本。

Linux->x86_64->Ubuntu->16.04(或17.04)->DEB(网络)

下载DEB到您的机器，并按照NVIDIA页面上的说明安装CUDA。一旦完成，让我们检查一下是否一切顺利。

回去，重新打开Python外壳，

进口TensorFlow作为TF

因此，我们还没有完成，您现在应该看到一个不同的错误消息。(如果您看到的是前面相同的一个，请参阅下面的“故障排除”)

ImportError：libcudnn.so.7：无法打开共享对象文件：没有这样的文件或目录

我们还需要一个名为cuDNN的NVIDIA库，它用于对深层神经网络的GPU加速。再次注意我们需要的cuDNN版本，在本例中为7.0。

导航到https://developer.nvidia.com/cudnn注册一个帐户(这是免费的)。在您建立帐户后，登录并转到https://developer.nvidia.com/rdp/cudnn-archive

选择所需的cuDNN版本，并确保您选择该版本的CUDA版本。在这种情况下我们需要

下载cuDNN v7.0.5(2017年12月5日)，用于CUDA 9.0

在选择中，

用于Linux的cuDNN v7.0.5库

tgz文件将开始下载，将其移动到您的计算机，然后使用

tar-xzvf

将提取一个文件夹“Cuda”，将CD解压缩到该目录，并执行这两个文件，

我们已经完成了(希望)。再次启动Pythonshell，您就知道该做什么了。

如果这次没有抛出任何错误，我们就没事了。

为了确保TensorFlow检测到GPU，在相同的Pythonshell上运行以下命令

tf.test.gpu_Device_name()

它应该打印出所有可供您使用的GPU。这在较早版本的TF上可能不起作用，如果是这样的话，可以在您的终端上尝试这个版本：

NVIDIA-SMI

故障排除

如果您做的一切都正确，而TensorFlow仍然抛出相同的错误，即使NVIDIA-SMI工作中，这可能是环境路径变量的一个问题。执行这些来修复：

纵然NVIDIA-SMI命令不工作，CUDA没有正确安装，如果您遗漏了什么，请重新启动。

相关推荐: 11月8日，第二届科技大会就要来啦！

还记得去年11月8号的科技大会吗？ 那是一场跨境人的付费科技大会 汇聚了1200+跨境人于登喜路国际酒店 吸引了13万直播流量于线上同欢 他们来自广东、福建、华东三大跨境电商圈 科技氛围浓厚、跨境干货满满 今年11月8日，第二届科技大会就要来啦！ 近来，很多卖…