ubuntu16.04安装tensorflow-gpu和cuda8.0加速训练

转载请注明出处：http://www.cnblogs.com/buxizhizhoum/p/8086230.html 

环境：

     系统：ubuntu 16.04

     cpu：i5

     gpu：gt920m

     memory：8g

     disk：SSD 256g

1．安装显卡驱动 

首先须要保证电脑有知足cuda要求的显卡，ubuntu通常安装完成后都会使用集成显卡，独立显卡并无充分利用。

ubuntu安装NVIDIA驱动还涉及到和原有驱动的冲突，这部分在网上比较多，也有些坑须要踩，能够本身搜索。

安装nvida的驱动，须要屏蔽以前的驱动，操做不当会形成系统没法进入图形界面，这时候，能够ctrl + alt + F1进入字符界面，进行补救，网上在这一点说的比较多，就再也不多说了。

在知乎上看到一个安装nvidia驱动的方法,试了一下是能够用的，只是不知道是否是由于以前已经屏蔽了系统自带的驱动的缘故。

记在这里供你们参考：

进入：system setting -> software update -> additional drivers

select as the photo below and apply changes：

２．安装完驱动以后，安装cuda.

不一样的tensorflow支持不一样版本的cuda，在安装以前须要确认下载对应的cuda不然tensorflow没法调用cuda

　a)准备工做：

　　　检查gpu是否支持cuda： 

lspci | grep -i nvidia

　　　检查linux版本是否支持： 

uname -m && cat /etc/*release

　　　确认gcc是否安装： 

gcc --version

　　　确认内核头文件和开发环境： 

uname -r

　　　安装内核头文件： 

sudo apt-get install linux-headers-$(uname -r)

 ｂ)开始安装：

　　　下载对应版本的cuda tookit并安装（下载地址点这里），这里选择离线安装方式（注意，目前tensorflow最新版本，1.4,1.5只支持到cuda 8.0， nvidia官网最新安装包为cuda 9.1）。

若是是从新安装，请先卸载： 

sudo apt-get --purge remove <package_name>

使用离线安装包安装cuda tookit：

sudo dpkg -i cuda-repo-<distro>_<version>_<architecture>.deb
sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda   # (若是以前安装过cuda， 这里须要指定版本号，不然仍是安装以前的版本，例如，安装cuda8.0使用：sudo apt-get install cuda-8-0)

3.安装cuDNN　　　

     下载对应版本的cuDNN并安装，下载地址点这里，目前tensorflow版本1.5，支持cuDNN6.0 .

下载cuDNN v6.0 Runtime Library for Ubuntu16.04  (Deb)和cuDNN v6.0 Developer Library for Ubuntu16.04  (Deb)，使用：

sudo dpkg -i <安装包名称>  

安装上述两个包，先安装runtime library，不然可能会有依赖问题。

4.安装tensorflow

这里使用Python virtualenv进行安装

     先安装virtualenv： 

sudo pip install virtralenv

     创建虚拟环境的文件夹， 好比安装到tensorflow_evn： 

mkdir tensorflow_env

     建立虚拟运行环境： virtualenv <刚才创建的文件夹>， 即： 

virtualenv tensorflow_evn

     激活虚拟环境：

source tensorflow_evn/bin/active, 总之就是要运行虚拟环境中bin目录下的active文件。

     安装tensorflow须要的包：

pip install numpy

     安装tensorflow-gpu：

pip install tensorflow-gpu

5.测试安装是否成功：

若是刚才的虚拟环境尚未关闭，启动python，运行：

import tensorflow as tf
op = tf.add(1.0, 2.0)  #　进行加法运算
with tf.Session() as sess:
    print(sess.run(op))

更多示例代码，见：https://github.com/buxizhizhoum/machine_learning/tree/master/tf
若是已经关闭，从新激活虚拟环境： 

source tensorflow_env/bin/active 

而后运行python，运行上述代码。

若是能够运行成功，而且提示信息里面有提到gpu参与运算的信息，代表安装成功。

提示信息：

2017-12-22 15:01:58.555074: I tensorflow/core/platform/cpu_feature_guard.cc:137] Your CPU supports instructions that this TensorFlow binary was not compiled to use: SSE4.1 SSE4.2 AVX AVX2 FMA 

2017-12-22 15:01:58.715769: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:892] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero 

2017-12-22 15:01:58.716538: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1030] Found device 0 with properties:  name: GeForce 920MX major: 5 minor: 0 memoryClockRate(GHz): 0.993 pciBusID: 0000:01:00.0 totalMemory: 1.96GiB freeMemory: 1.31GiB 

2017-12-22 15:01:58.716592: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1120] Creating TensorFlow device (/device:GPU:0) -> (device: 0, name: GeForce 920MX, pci bus id: 0000:01:00.0, compute capability: 5.0) 

3.0 

第一条信息不用管，这个是由于使用pip安装，而没有使用源码编译安装的缘由，tensorflow为了尽量好的兼容性，舍弃了cpu的一部分特性，经过编译安装能够解决，大概会有3倍左右的提高。

第三条便是说找到了GPU，而且打印了显存信息。

第四条代表建立了tensorflow的设备。

最下面的是运行的结果，代表gpu已经参与计算加速。

6.效果

进行gpu加速后，以前每次训练都占满的cpu如今只有一个核是满负荷的，运算速度有提高，可是没有网上说的20倍左右的提高，在mnist数字识别上，只比cpu块2~3倍，多是由于这个显卡比较通常,cuda算力只有3.5，是知足tensorflow使用gpu加速的显卡里面的底线，使用高端显卡应该会有更大的提高。