ubuntu 16.04 +anaconda3.6 +Nvidia DRIVER 390.77 +CUDA9.0 +cudnn7.0.4+tensorflow1.5.0+neural-style

重裝了win和ubuntu 16.04 。（前面白作了）
ubuntu 下安裝了matlab R2017b。
ubuntu 下安裝了Anaconda3-5.2.0-Linux-x86_64.sh 。
發現cuda8跟NVIDIA驅動不兼容。nvidia-smi 和 cat /proc/driver/nvidia/version 沒有結果。NVIDIA驅動信息沒法顯示。

8.16

配置了顯卡驅動。（NVIDIA UNIX x86_64 Kernel Module 390.77）登陸死循環的解決就是不要用小鍵盤就ok了。
安裝好了cuda 9.0。（tensorflow之後的版本都只支持cuda 9.0了，因此安裝的9.0）
安裝好了最新版本的cudnn 7.2.0.1 for cuda 9.0。
安裝了tensorflow-gpu-1.5.0。

8.17

作了neural-style實驗。發現它不兼容當前cudnn的版本，只支持7004如下的cudnn，因此涉及到給cudnn降級的問題（就是重裝一個低級的），cudnn官網的這個7.0.4-for-cuda9.0版本掛掉了。
下載了cudnn-9.0-linux-x64-v7.tgz （好人一輩子平安）

8.18

用tgz方式安裝了cudnn 7.0.4 for cuda 9.0。
neural-style實驗。解決了一些bug後實驗成功。

前期準備工做

anaconda3

下載地址

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

https://blog.csdn.net/weili_/article/details/80962947

安裝

bash Anaconda3-5.2.0-Linux-x86_64.sh

bug 1：conda:未找到命令,終端輸入

export PATH=~/anaconda3/bin:$PATH

或者

sudo vim ~/.bashrc

末尾加入

export PATH=~/anaconda3/bin:$PATH

激活

source ~/.bashrc

Nvidia DRIVER390.77

參考的這個

卸載原驅動

apt-get --purge remove nvidia-*

查找相應.run 文件：去官網下載 NVIDIA-Linux-x86_64-390.77.run

wget http://us.download.nvidia.com/XFree86/Linux-x86_64/390.77/NVIDIA-Linux-x86_64-390.77.run

禁用 nouveau

修改屬性

sudo chmod 666 /etc/modprobe.d/blacklist.conf

用vim編輯器打開

sudo vim /etc/modprobe.d/blacklist.conf

在該文件末尾添加如下幾行

blacklist vga16fb
blacklist nouveau
blacklist rivafb
blacklist rivatv
blacklist nvidiafb

執行下列命令

sudo update-initramfs -u
# 若是出現 W: mdadm: /etc/mdadm/mdadm.conf defines no arrays.
# 刪掉/etc/mdadm/mdadm.conf ，從新執行一遍命令便可

重啓後查看

reboot
lsmod | grep nouveau # 沒有輸出即爲屏蔽好了

安裝顯卡驅動前準備工做

sudo apt-get install -y gcc g++ make

確認禁用了nouveau

lsmod | grep nouveau # 若無輸出，則表示禁用成功

安裝顯卡驅動

sudo chmod a+x NVIDIA-Linux-x86_64-390.77.run
sudo ./NVIDIA-Linux-x86_64-390.77.run -no-x-check -no-nouveau-check -no-opengl-files
# -no-opengl-files 表示只安裝驅動文件，不安裝OpenGL文件，這個參數最重要
# -no-x-check 安裝驅動時不檢查X服務
# -no-nouveau-check 安裝驅動時不檢查nouveau（ps：這個選項和1.3禁止集成的nouveau驅動組成雙保險，其實一項操做就能夠了）

查看GPU版本

nvidia-smi # 查看GPU和驅動程序信息
cat /proc/driver/nvidia/version # 查看驅動程序版本

安裝後，沒啓動程序，GPU使用率高，執行下列命令

nvidia-smi -pm 1 # 這個是設定持久模式，（沒人用GPU的時候，驅動不自動卸載，而是一直都處於加載狀態）  
                 # 本次有效下次重啓還須要從新設定。
                 # 默認狀態是驅動每次用完都自動卸載的，而後從新加載。

Ref:

Ubuntu 16.04 用戶登陸界面死循環問題的解決

ubuntu16.04安裝CUDA注意事項記錄

Linux下CUDA+CUDNN+TensorFlow安裝筆記

史上最全的ubuntu16.04安裝nvidia驅動+cuda9.0+cuDnn7.0

Ubuntu16.04安裝CUDA+cuDNN+GPU版TensorFlow過程記錄

ubuntu16.04+CUDA8.0+GTX1080Ti+yolov3+Opencv3.1.0詳細配置

Ubuntu16.04+cuda-8.0+cudnn-v5.1+tensorflow0.8-gpu/tensorflow1.0-gpu安裝教程

Win10下雙系統Ubuntu14.04+GTX1070+CUDA&cuDNN+Tensorflow環境搭建

顯卡分辨率問題

Ubuntu16.04調整屏幕分辨率至1920×1080

一、ctrl+alt+t打開終端，輸入命令「cvt 1920 1080」，返回

yue@akayue:~$ cvt 1920 1080
# 1920x1080 59.96 Hz (CVT 2.07M9) hsync: 67.16 kHz; pclk: 173.00 MHz
Modeline "1920x1080_60.00"  173.00  1920 2048 2248 2576  1080 1083 1088 1120 -hsync +vsync

二、輸入命令：「xrandr」，顯示出當前可用的分辨率信息：

yue@akayue:~$ xrandr
Screen 0: minimum 8 x 8, current 1920 x 1080, maximum 32767 x 32767
eDP1 connected primary 1920x1080+0+0 (normal left inverted right x axis y axis) 344mm x 194mm
   864x486       60.00  
   640x480       59.94  
   1920x1080_60.00  59.96* 
VIRTUAL1 disconnected (normal left inverted right x axis y axis)

其中virtual1爲顯示器的名稱。

eDP1 是電腦的名稱。

三、增長顯示模塊，並設置開機啓動，命令行輸入「vim /etc/profile」,在末尾添加：

xrandr --newmode "1920x1080_60.00" 173.00 1920 2048 2248 2576 1080 1083 1088 1120 -hsync +vsync 
xrandr --addmode eDP1 "1920x1080_60.00"

四、立馬啓用修改後的配置：

source /etc/profile

修改爲功

Ref:Xrandr

CUDA 9.0

卸載

CUDA和驅動的卸載和安裝文件類型必須一致！用.run文件安裝的CUDA和驅動命令：

$ sudo perl /usr/local/cuda-X.Y/bin/uninstall_cuda_X.Y.pl #uninstall cuda
$ sudo /usr/bin/nvidia-uninstall #uninstall driver

下載CUDA 9.0

根據本身的操做系統選擇對應的下載內容，這裏給出個人選擇：cuda_9.0.176_384.81_linux.run

安裝CUDA 9.0

下載後便可開始安裝CUDA，這裏說明一點，在安裝CUDA時也能夠安裝NVIDIA驅動，可是這樣安裝顯卡驅動版本較低，因此通常選擇先安裝NVIDIA驅動，我安裝的是cuda_9.0.176_384.81_linux.run版本。
執行如下命令：

sudo bash cuda_9.0.176_384.81_linux.run

安裝過程當中只須要注意在出現Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81?選擇否便可，其他的都直接默認或者選擇是。

配置環境變量,執行命令

sudo vim ~/.bashrc

注意如果提示沒有安裝vim，則執行如下命令安裝vim

sudo apt-get install vim

安裝完後，可使用如下命令查看

update-alternatives --display vi #已經添加到系統
vim --version                    #查看版本

進入.bashrc後，在末尾處添加

export PATH="/usr/local/cuda/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda/lib64:$LD_LIBRARY_PATH"

激活

source ~/.bashrc

查看cuda信息

輸入nvcc -V

測試CUDA的Samples

執行如下命令：

cd /usr/local/cuda/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

若是顯示的是一些關於GPU的信息，則說明安裝成功了。

查看CUDA版本

cat /usr/local/cuda/version.txt

REF：

在Ubuntu 16.04 下安裝CUDA 8.0和cuDNN v5.1

Tensorflow GPU安裝指南 (Ubuntu 16.04 anaconda cuda8.0 cuDNN6.0)

cudnn 7.0.4

卸載

直接在終端輸入：

sudo rm -rf /usr/local/cuda/include/cudnn.h

sudo rm -rf /usr/local/cuda/lib64/libcudnn*

`Debian` 下安裝(cudnn7.2.1 for cuda 9.0)

下載地址

Debian下的安裝方法跟簡單,直接安裝打包好的.deb就能夠了。進入debian版本cudnn的文件夾下，安裝運行時的庫

sudo dpkg -i libcudnn7_7.2.1.38-1+cuda9.0_amd64.deb

安裝開發者的庫

sudo dpkg -i libcudnn7-dev_7.2.1.38-1+cuda9.0_amd64.deb

安裝例程和用戶指南

sudo dpkg -i libcudnn7-doc_7.2.1.38-1+cuda9.0_amd64.deb

tgz安裝cudnn 7.0.4 for cuda 9.0 （官網和諧版本）

TensorFlow須要用到cudnn，cudnn是NVIDIA開發的用於深度神經網絡的GPU加速庫。下載地址
下載完後解壓：

cp  cudnn-8.0-linux-x64-v5.1.solitairetheme8 cudnn-8.0-linux-x64-v5.1.tgz
tar -xvf cudnn-8.0-linux-x64-v5.1.tgz

如下的操做須要管理員權限。
複製頭文件：

cd cuda/include
sudo cp cudnn.h /usr/local/cuda-8.0/include

再將lib64目錄下的動態文件進行復制和連接：

cp lib* /usr/local/cuda/lib64/    #複製動態連接庫
 cd /usr/local/cuda/lib64/      
 rm -rf libcudnn.so libcudnn.so.5    #刪除原有動態文件
 ln -s libcudnn.so.5.0.5 libcudnn.so.5
 ln -s libcudnn.so.5 libcudnn.so

而後設置環境變量和動態連接庫，在命令行輸入：（用 sudo vim ~/.bashrc 也行）

gedit /etc/profile

在打開的文件末尾加入：

export PATH = /usr/local/cuda8.0/bin:$PATH

保存以後，建立連接文件：

vim /etc/ld.so.conf.d/cuda.conf

按下鍵盤i進行編輯，輸入連接庫位置：

/usr/local/cuda/lib64

而後保存退出，並在終端輸入：

ldconfig

yue@akayue:~$ sudo vim /etc/ld.so.conf.d/cuda.conf
[sudo] password for yue: 
yue@akayue:~$ ldconfig
/sbin/ldconfig.real: /usr/local/cuda/lib64/libcudnn.so.7 is not a symbolic link
/sbin/ldconfig.real: Can't create temporary cache file /etc/ld.so.cache~: Permission denied

bug 2：Can't create temporary cache file /etc/ld.so.cache~: Permission denied

1.Permission denied 就用sudo ldconfig

bug3：libcudnn.so.7 is not a symbolic link

參考。libcudnn.so.7是一個文件，它本應是一個軟鏈接。因而建立軟接連：Create the new link manually:

yue@akayue:~$ ls -lh /usr/local/cuda/lib64/libcudnn.so.7 
-rwxr-xr-x 1 root root 273M 8月  18 10:55 /usr/local/cuda/lib64/libcudnn.so.7
yue@akayue:~$ sudo ln -sf /usr/local/cuda/lib64/libcudnn.so.7.0.4 /usr/local/cuda/lib64/libcudnn.so.7

看ldconfig，ldconfig是一個動態連接庫管理命令,其目的爲了讓動態連接庫爲系統所共享

~$ sudo ldconfig -v

查到

libcudnn.so.7 -> libcudnn.so.7.0.3

這個時候的文件

yue@akayue:~$ ls -lh /usr/local/cuda/lib64/libcudnn.so.7 
lrwxrwxrwx 1 root root 17 8月  18 11:10 /usr/local/cuda/lib64/libcudnn.so.7 -> libcudnn.so.7.0.3

驗證CUDA和CUDNN是否安裝成功

CUDNN的code sample能夠用來檢查CUDNN和CUDA是否安裝成功，執行如下命令：

sudo cp -r /usr/src/cudnn_samples_v7/ $HOME
cd $HOME/cudnn_samples_v7/mnistCUDNN
sudo make clean
sudo make
sudo ./mnistCUDNN

正常狀況下執行以上代碼會獲得Test passed!的結果。

若是在make步出錯，那麼可能gcc須要降級；

bug4:`CUDA driver version is insufficient for CUDA runtime version`

那麼或許你的顯卡驅動安裝失敗，或許你以前安裝太低版本的nvidia的顯卡又沒有刪掉。

bug5:測試mnist時出現錯誤：error while loading shared libraries: libcublas.so.9.1

出現這個錯誤的緣由就是程序按照默認共享庫路徑找不到須要的共享庫文件。

默認的共享庫路徑是/lib和/usr/lib，可是當咱們安裝第三方軟件時，庫文件是在安裝的路徑下的。

這裏須要找到的就是CUDA安裝路徑下的庫文件。

按照下面命令進行操做，將新共享庫目錄加入到共享庫配置文件/etc/ld.so.conf中：

sudo su

cat /etc/ld.so.conf#首先查看一下文件下自己已有的內容

echo "/usr/local/cuda/lib64" >> /etc/ld.so.conf#將想要添加的路徑寫進文件，這裏我安裝的是CUDA9.1，讀者能夠根據本身的路徑進行更更名稱

ldconfig#ldconfig是一個動態連接庫管理命令,其目的爲了讓動態連接庫爲系統所共享

cat /etc/ld.so.conf#再次查看進行確認

此時就不會再出現找不到共享庫文件的問題了。

安裝TensorFlow

注：
tensorflow-gpu==1.5.0 , cuda 9 , cudnn 7.0
tensorflow-gpu==1.4.1 , cuda 8 , cudnn 6.0
tensorflow-gpu==1.2.0, cuda 8, cudnn 5.1

ref：

Ubuntu16.04深度學習環境配置——Anaconda(基於Python3.5)+Tensorflow(GPU版本)的安裝以及在PyCharm中的使用

TF官方說明 https://www.tensorflow.org/install/install_linux

在 Ubuntu 上安裝 TensorFlow

本指南將介紹如何在 Ubuntu 上安裝 TensorFlow。雖然這些說明可能也適用於其餘 Linux 版本，但咱們只在知足如下要求的計算機上驗證過這些說明（並且咱們只支持在此類計算機上按這些說明操做）：

64 位臺式機或筆記本電腦
Ubuntu 16.04 或更高版本

肯定要安裝哪一種 TensorFlow

您必須從如下 TensorFlow 類型中選擇其一來進行安裝：

僅支持 CPU 的 TensorFlow。若是您的系統沒有 NVIDIA® GPU，則必須安裝此版本。請注意，此版本的 TensorFlow 一般更容易安裝（用時一般在 5 或 10 分鐘內），因此即便您擁有 NVIDIA GPU，咱們也建議先安裝此版本。
支持 GPU 的 TensorFlow。TensorFlow 程序在 GPU 上的運行速度一般要比在 CPU 上快得多。所以，若是您的系統配有知足如下所示先決條件的 NVIDIA® GPU，而且您須要運行性能相當重要的應用，則最終應安裝此版本。

運行支持 GPU 的 TensorFlow 所需知足的 NVIDIA 要求

若是您要使用本指南描述的其中一種方式安裝支持 GPU 的 TensorFlow，則必須在系統上安裝如下 NVIDIA 軟件：

CUDA® 工具包 9.0。如需瞭解詳情，請參閱 NVIDIA 文檔。請務必按照 NVIDIA 文檔中的說明將相關的 CUDA 路徑名附加到 LD_LIBRARY_PATH 環境變量上。
cuDNN SDK v7。如需瞭解詳情，請參閱 NVIDIA 文檔。請務必按照 NVIDIA 文檔中的說明建立 CUDA_HOME 環境變量。
CUDA 計算能力爲 3.0 或更高的 GPU 卡（用於從源代碼編譯），以及 CUDA 計算能力爲 3.5 或更高的 GPU 卡（用於安裝咱們的二進制文件）。如需瞭解支持的 GPU 卡的列表，請參閱 NVIDIA 文檔。
支持您的 CUDA 工具包版本的 GPU 驅動程序。

libcupti-dev 庫，它是 NVIDIA CUDA 分析工具接口。此庫提供高級分析支持。要安裝此庫，請針對 CUDA 工具包 9.0 或更高版本發出如下命令：

$ sudo apt-get install cuda-command-line-tools

並將其路徑添加到您的 LD_LIBRARY_PATH 環境變量上：

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

對於 CUDA 工具包 7.5 或更低版本，請發出如下命令：

$ sudo apt-get install libcupti-dev

肯定如何安裝 TensorFlow

您必須選擇安裝 TensorFlow 的方式。目前可支持以下幾種方式：

Virtualenv
「原生」pip
Docker
Anaconda
從源代碼安裝（詳情請參閱這篇單獨的指南）。

咱們建議採用 Virtualenv 安裝方式。 Virtualenv 是一個與其餘 Python 開發相互隔離的虛擬 Python 環境，它沒法干擾同一計算機上的其餘 Python 程序，也不會受其影響。在 Virtualenv 安裝過程當中，您不只要安裝 TensorFlow，還要安裝 TensorFlow 須要的全部軟件包。（這一過程其實很簡單。）要開始使用 TensorFlow，您只須要「激活」虛擬環境。總而言之，Virtualenv 提供一種安全可靠的機制來安裝和運行 TensorFlow。

原生 pip 會直接在您的系統上安裝 TensorFlow，而不是經過任何容器系統。咱們建議但願多用戶系統中的每一個用戶都能使用 TensorFlow 的系統管理員採用原生 pip 安裝。 原生 pip 安裝並未隔離在單獨的容器中進行，所以可能會干擾系統中其餘基於 Python 的安裝。可是，若是您熟悉 pip 和您的 Python 環境，一般只需一條命令便可進行原生 pip 安裝。

Docker 會將 TensorFlow 安裝與您計算機上以前就已存在的軟件包徹底隔離開來。Docker 容器包含了 TensorFlow 及其全部依賴項。請注意，Docker 映像可能比較大（數百 MB）。若是您想要將 TensorFlow 整合到已在使用 Docker 的某個更大的應用架構中，則能夠選擇 Docker 安裝。

在 Anaconda 中，您可使用 conda 來建立一個虛擬環境。可是，在 Anaconda 內部，咱們建議使用 pip install 命令來安裝 TensorFlow，而不要使用 conda install 命令。

注意：conda 軟件包是由社區提供支持的，並無任何官方支持。也就是說，TensorFlow 團隊既不測試也不維護 conda 軟件包。若使用該軟件包，您須要自行承擔相關風險。

使用 Anaconda 進行安裝（本機使用的）

按照如下步驟在 Anaconda 環境中安裝 TensorFlow：

按照 Anaconda 下載網站上的說明下載並安裝 Anaconda。

經過調用如下命令建立名爲 tensorflow 的 conda 環境，以運行某個版本的 Python：

$ conda create -n tensorflow pip python=2.7 # or python=3.3, etc.

# 個人是這個
$ conda create -n tensorflow-gpu python=3.6

經過發出如下命令激活 conda 環境：

#source activate tensorflow-gpu 
(tensorflow)$ # Your prompt should change

在激活 conda 環境的狀況下輸入如下命令進行安裝tensorflow的gpu版本：

安裝完後會提示pip的版本有點低，須要更新，安裝它給的提示命令進行更新便可。

TensorFlow anaconda清華源安裝

(tensorflow)$ pip install \
  -i https://pypi.tuna.tsinghua.edu.cn/simple/ \
  https://mirrors.tuna.tsinghua.edu.cn/tensorflow/linux/gpu/

驗證安裝

要驗證您的 TensorFlow 安裝，請執行如下操做：

確保您的環境已準備好運行 TensorFlow 程序。
運行一個簡短的 TensorFlow 程序。

準備環境

若是您是在原生 pip、Virtualenv 或 Anaconda 上進行安裝，請執行如下操做：

啓動終端。

若是您是經過 Virtualenv 或 Anaconda 進行安裝，請激活您的容器。

#source activate tensorflow-gpu

若是您安裝了 TensorFlow 源代碼，請導航到未包含 TensorFlow 源代碼的任何目錄。

運行一個簡短的 TensorFlow 程序

從 shell 中調用 Python，以下所示：

$ python

在 Python 交互式 shell 中輸入如下幾行簡短的程序代碼：

# Python
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

若是系統輸出如下內容，說明您能夠開始編寫 TensorFlow 程序了：

Hello, TensorFlow!

若是系統輸出一條錯誤消息而不是問候語，請參閱常見的安裝問題。

退出python

關閉環境
source deactivate tensorflow-gpu #關閉環境

卸載

source activate tensorflow-gpu

pip uninstall tensorflow-gpu

PyCharm

安裝

首先去官網下載PyCharm的community版本。

下載完成後，解壓到想要安裝的目錄，而後執行如下命令進行運行：

# 假設已進入pycharm的解壓目錄

cd bin

bash pycharm.sh

而後就是一些基礎設置了，完成以後能夠看到如下界面：

爲了之後使用方便，能夠將pycharm的路徑添加到~/.bashrc文件中：

vim ~/.bashrc

在文件末尾添加：

export PATH=/pycharm的解壓路徑/bin:$PATH

記得更改好路徑，保存退出，以後再source一下使其生效。以後就能夠直接在終端輸入pycharm.sh便可啓動PyCharm了。

配置

打開PyCharm以後，點擊右下角的Configure，選擇Settings，在左側選擇Project Interpreter，而後點擊右側面板的小齒輪，選擇Add...，在彈出的窗口左側選擇Conda Environment，接着選擇Existing environment，這時候它會自動識別出剛剛建立好的conda環境，而後勾選Make available to all projects，點擊OK便可。

建立新項目的時候注意選擇好Project Interpreter，由於剛剛的設置可能會不能應用到新項目，須要手動選擇一下。

Neural-style實戰：利用TensorFlow實現圖像風格轉換

參考：教你從頭至尾利用DL學梵高做畫

第一步：neural-style下載
第二步：下載vgg19
第三步：把vgg19的mat文件放到neural-style的文件夾根目錄下。
第四步：在neural-style的文件夾的路徑下輸入：

python neural_style.py --content  ./example/1-content.jpg  --styles ./example/1-style.jpg --output ./example/1-output.jpg

你也能夠根據你的需求，將–content後面的圖片換成你想要轉換的圖片，–styles後換成你想要轉換的風格圖片，–output後改爲輸出的圖片名稱就能夠了。

bug 6:could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR

sudo rm -rf ~/.nv

測試結果

ref:

吳恩達《卷積神經網絡》精煉筆記（1）-- 卷積神經網絡基礎

ubuntu 16.04 安裝TensorFlow GPU版本

ubuntu 16.04安裝nVidia顯卡驅動和cuda/cudnn踩坑過程

Ubuntu16.04+GTX1080配置TensorFlow並實現圖像風格轉換

預演：使用 TensorFlow 進行深度學習

https://www.tensorflow.org/get_started/get_started_for_beginners

https://www.tensorflow.org/get_started/premade_estimators

https://developers.google.com/machine-learning/crash-course/ml-intro

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。