ubuntu16.04安裝tensorflow-gpu和cuda8.0加速訓練

轉載請註明出處：http://www.cnblogs.com/buxizhizhoum/p/8086230.html 

環境：

     系統：ubuntu 16.04

     cpu：i5

     gpu：gt920m

     memory：8g

     disk：SSD 256g

1．安裝顯卡驅動 

首先須要保證電腦有知足cuda要求的顯卡，ubuntu通常安裝完成後都會使用集成顯卡，獨立顯卡並無充分利用。

ubuntu安裝NVIDIA驅動還涉及到和原有驅動的衝突，這部分在網上比較多，也有些坑須要踩，能夠本身搜索。

安裝nvida的驅動，須要屏蔽以前的驅動，操做不當會形成系統沒法進入圖形界面，這時候，能夠ctrl + alt + F1進入字符界面，進行補救，網上在這一點說的比較多，就再也不多說了。

在知乎上看到一個安裝nvidia驅動的方法,試了一下是能夠用的，只是不知道是否是由於以前已經屏蔽了系統自帶的驅動的緣故。

記在這裏供你們參考：

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

select as the photo below and apply changes：

２．安裝完驅動以後，安裝cuda.

不一樣的tensorflow支持不一樣版本的cuda，在安裝以前須要確認下載對應的cuda不然tensorflow沒法調用cuda

　a)準備工做：

　　　檢查gpu是否支持cuda： 

lspci | grep -i nvidia

　　　檢查linux版本是否支持： 

uname -m && cat /etc/*release

　　　確認gcc是否安裝： 

gcc --version

　　　確認內核頭文件和開發環境： 

uname -r

　　　安裝內核頭文件： 

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

 ｂ)開始安裝：

　　　下載對應版本的cuda tookit並安裝（下載地址點這裏），這裏選擇離線安裝方式（注意，目前tensorflow最新版本，1.4,1.5只支持到cuda 8.0， nvidia官網最新安裝包爲cuda 9.1）。

若是是從新安裝，請先卸載： 

sudo apt-get --purge remove <package_name>

使用離線安裝包安裝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   # (若是以前安裝過cuda， 這裏須要指定版本號，不然仍是安裝以前的版本，例如，安裝cuda8.0使用：sudo apt-get install cuda-8-0)

3.安裝cuDNN　　　

     下載對應版本的cuDNN並安裝，下載地址點這裏，目前tensorflow版本1.5，支持cuDNN6.0 .

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

sudo dpkg -i <安裝包名稱>  

安裝上述兩個包，先安裝runtime library，不然可能會有依賴問題。

4.安裝tensorflow

這裏使用Python virtualenv進行安裝

     先安裝virtualenv： 

sudo pip install virtralenv

     創建虛擬環境的文件夾， 好比安裝到tensorflow_evn： 

mkdir tensorflow_env

     建立虛擬運行環境： virtualenv <剛纔創建的文件夾>， 即： 

virtualenv tensorflow_evn

     激活虛擬環境：

source tensorflow_evn/bin/active, 總之就是要運行虛擬環境中bin目錄下的active文件。

     安裝tensorflow須要的包：

pip install numpy

     安裝tensorflow-gpu：

pip install tensorflow-gpu

5.測試安裝是否成功：

若是剛纔的虛擬環境尚未關閉，啓動python，運行：

import tensorflow as tf
op = tf.add(1.0, 2.0)  #　進行加法運算
with tf.Session() as sess:
    print(sess.run(op))

更多示例代碼，見：https://github.com/buxizhizhoum/machine_learning/tree/master/tf
若是已經關閉，從新激活虛擬環境： 

source tensorflow_env/bin/active 

而後運行python，運行上述代碼。

若是能夠運行成功，而且提示信息裏面有提到gpu參與運算的信息，代表安裝成功。

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 

第一條信息不用管，這個是由於使用pip安裝，而沒有使用源碼編譯安裝的緣由，tensorflow爲了儘量好的兼容性，捨棄了cpu的一部分特性，經過編譯安裝能夠解決，大概會有3倍左右的提高。

第三條便是說找到了GPU，而且打印了顯存信息。

第四條代表建立了tensorflow的設備。

最下面的是運行的結果，代表gpu已經參與計算加速。

6.效果

進行gpu加速後，以前每次訓練都佔滿的cpu如今只有一個核是滿負荷的，運算速度有提高，可是沒有網上說的20倍左右的提高，在mnist數字識別上，只比cpu塊2~3倍，多是由於這個顯卡比較通常,cuda算力只有3.5，是知足tensorflow使用gpu加速的顯卡里面的底線，使用高端顯卡應該會有更大的提高。