东莞市盛裕绒艺玩具有限公司

东莞市盛裕绒艺玩具有限公司

沙龙365备用网站

15260619862
联系方式
全国服务热线: 15260619862

咨询热线:18579394917
联系人:刘伟东
地址:重庆市江北区南桥苑44-附4号

我的AI之路 —— 从裸机搭建GPU版本的深度学习环境

来源:沙龙365备用网站   发布时间:2019-06-26   点击量:95

之前一直在CPU上跑深度学习,由于做的是NLP方向所以也能勉强忍受。最近在做图像的时候,实在是扛不住了...还好领导们的支持买个虚拟机先体验下。由于刚买的机器,环境都得自己摸索,瞎搞过很多次,也走过很多弯路,所以我就记录下从裸机安装深度学习环境的正确过程。(全程root用户哦!)

裸机简介

服务器是阿里云的CentOS7.4,默认的时候选择的CUDA驱动选错了,1.5以上的tensorflow都应该选择CUDA9.0,注意不要太高,也不要太低!TF很挑剔!

先来聊聊裸机里面包含什么有用的东西:

git:好像是1.18.x的版本,记不清了python:2.7

下面就开始安装吧!

第一步,升级Python3

我这边选择的版本是3.6.6,原则就是当前最新最稳定的大版本,以及最高的小版本。如果本机下载,可以直接去这个地址:https://www.python.org/ftp/python/3.6.6/如果是服务器下载可以使用命令

wget https://www.python.org/ftp/python/3.6.6/Python-3.6.6.tgz

然后解压缩压缩包:

tar zxvf Python-3.6.6.tgz

进入目录后:

cd Python-3.6.6

先创建python3安装目录:

mkdir /usr/local/python3

开始编译安装

./configure --prefix=/usr/local/python3make && make install

修改老版本的python执行文件

mv /usr/bin/python /usr/bin/python_old2

新建python3的软连接

ln -s /usr/local/python3/bin/python3 /usr/bin/python

使用命令验证下:

[root@izwz9fnfgk9709s3h9ex47z ~]# python -VPython 3.6.6

然后不要忘记增加pip3的可执行文件:

ln -s /usr/local/python3/bin/pip3 /usr/bin/pip3

这样就可以通过pip3安装python3的模块了。

[root@izwz9fnfgk9709s3h9ex47z ~]# pip3 -Vpip 18.0 from /usr/local/python3/lib/python3.6/site-packages/pip (python 3.6)

此时python就升级完了。

由于这时修改了python脚本的版本,可能对老系统的脚本有影响,所以需要修改两个脚本——/usr/bin/yum/usr/libexec/urlgrabber-ext-down把对应的文件头从#!/usr/bin/python修改为#!/usr/bin/python2.7

另外,我这里用的是阿里云,python下载很多东西都很快,如果是其他的服务或者物理机,有时候需要临时指定yum源,可以使用下面的命令:

pip3 install xxx -i http://mirrors.aliyun.com/pypi/simple/ --trusted-host mirrors.aliyun.com

参考资料:https://www.cnblogs.com/idotest/p/5442173.html

第二步,升级Git

默认CentOS装的git是1.8版本有点陈旧,可以对它进行重装。

安装之前需要先升级gcc一类的东西,按照下面的脚本过程执行即可:

# 安装gcc相关的东西yum install curl-devel expat-devel gettext-devel openssl-devel zlib-devel yum install gcc perl-ExtUtils-MakeMaker# 这里可以挑一个最新版本下载wget http://ftp.gnu.org/pub/gnu/libiconv/libiconv-1.15.tar.gztar zxvf libiconv-1.15.tar.gz cd libiconv-1.15./configure --prefix=/usr/local/libiconvmake && make install# 卸载之前的gityum remove git# 重新下载gitwget https://github.com/git/git/archive/v2.18.0.tar.gztar zxvf v2.18.0.tar.gzcd git-2.18.0make configure./configure --prefix=/usr/local/git --with-iconv=/usr/local/libiconvmake all docmake install install-doc install-htmlecho "export PATH=$PATH:/usr/local/git/bin" >> /etc/bashrcsource /etc/bashrc

然后重新验证一下:

[root@izwz9fnfgk9709s3h9ex47z soft]# git --versiongit version 2.18.0

我的开发流程是这样,我们自己有git的代码库,我本地写完代码提交到gitlab。然后从阿里云的服务器clone代码,运行。由于里面涉及到大量的图片资源,因此clone的时候有个技巧:

git clone xxxx --depth 1

指定一下clone的深度,不然git会下载每一次的提交历史。如果训练的图片或者模型很多都删除或者替换掉了,就没必要下载了。

参考资料:https://blog.csdn.net/z_dianjun/article/details/50819908

第三步,安装CUDA

我记得在学校的时候写过一篇手把手教你在windows安装cuda6,当时看的人还挺多。这回在linux上安装,感觉更简单了。

首先去官网下载cuda的版本,如果不知道你该安装哪一个版本的CUDA,就先确定你想使用哪一个版本的tensorflow,然后去tensorflow的github里面查看configure.py这个文件:https://github.com/tensorflow/tensorflow/blob/3379bae787d73d6db67d66a284bd1a076b2cbdba/configure.py这里面有说明对应的CUDA版本:

_DEFAULT_CUDA_VERSION = "9.0"_DEFAULT_CUDNN_VERSION = "7"_DEFAULT_NCCL_VERSION = "2.2"_DEFAULT_CUDA_COMPUTE_CAPABILITIES = "3.5,7.0"_DEFAULT_CUDA_PATH = "/usr/local/cuda"_DEFAULT_CUDA_PATH_LINUX = "/opt/cuda"_DEFAULT_CUDA_PATH_WIN = ("C:/Program Files/NVIDIA GPU Computing " "Toolkit/CUDA/v%s" % _DEFAULT_CUDA_VERSION)_DEFAULT_TENSORRT_PATH_LINUX = "/usr/lib/%s-linux-gnu" % platform.machine()_TF_OPENCL_VERSION = "1.2"_DEFAULT_COMPUTECPP_TOOLKIT_PATH = "/usr/local/computecpp"_DEFAULT_TRISYCL_INCLUDE_DIR = "/usr/local/triSYCL/include"_SUPPORTED_ANDROID_NDK_VERSIONS = [10, 11, 12, 13, 14, 15]

可以看到这里需要的是9.0,注意9.0就是9.0,别以为9.2更牛逼就安装9.2,到时候一样用不了的(本篇文章当前最新的是9.2版本)。

安装文件的地址在这里:https://developer.nvidia.com/cuda-90-download-archive

按照我的系统CentOS7,我是这么选的:

也可以直接在服务器上执行下面的命令进行下载:

wget https://developer.nvidia.com/compute/cuda/9.0/Prod/local_installers/cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64-rpm

下载后按照官网的安装指令安装就行了:

sudo rpm -i cuda-repo-rhel7-9-0-local-9.0.176-1.x86_64-rpm yum clean allyum install cuda

注意:如果之前你的及其里面装了其他版本的cuda,或者你已经安装了cuda9.2,yum里面已经缓存了9.2的安装文件,那么可以这么做,创建下面的脚本,执行sh rpm_e.sh cuda移除全部的cuda安装资源,重新输入上面的三条命令安装:

[root@izwz9fnfgk9709s3h9ex47z soft]# cat rpm_e.sh #/bin/bashset -xtemp_rpm=$(rpm -qa | grep $1)for item in $temp_rpmdo rpm -e $item --nodepsdone

安装完成后,添加环境变量vi /etc/profile

export CUDA_HOME=/usr/local/cuda-9.0export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

然后执行source /etc/profile

再执行以下nvcc命令验证下:

[root@izwz9fnfgk9709s3h9ex47z bin]# nvcc -Vnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2017 NVIDIA CorporationBuilt on Fri_Sep__1_21:08:03_CDT_2017Cuda compilation tools, release 9.0, V9.0.176

此时基本的CUDA就安装完了,如果想要体验下CUDA的程序,也可以编译执行以下samples里面的代码。

第四步,安装cuDNN

由于我们是搞深度学习,因此需要安装这个cuDNN,它是专门针对深度学习的库。

首先登陆这个网址:https://developer.nvidia.com/rdp/cudnn-archive

先要进行注册,邮箱确认,同意配合测试,填一下基本信息,然后就可以下载了。

只要CUDA版本是9.0就行,我这边选择的是cuDNN v7.1。

下载后传到服务器上,执行解压缩:

tar -zxvf cudnn-9.0-linux-x64-v7.1.tgz

然后拷贝对应的文件

sudo cp cuDNN/cuda/include/cudnn.h /usr/local/cuda/includesudo cp cuDNN/cuda/lib64/* /usr/local/cuda/lib64

修改libcudnn.so

#下面的操作在/usr/local/cuda/lib64/目录下进行cd /usr/local/cuda/lib64sudo rm -rf libcudnn.so libcudnn.so.7#删除两个符号链接;sudo ln -s libcudnn.so.7.0.64 libcudnn.so.7sudo ln -s libcudnn.so.7 libcudnn.so

这样cuDNN就安装完了。

安装完cuDNN不要忘记重启机器,不然tensorflow可能会识别不到!

参考资料:https://blog.csdn.net/guoyunfei20/article/details/78191599

第五步,安装keras和tensorflow

最后照着官网的安装步骤来就行了:

sudo pip3 install -U --pre pip setuptools wheelsudo pip3 install -U --pre numpy scipy matplotlib scikit-learn scikit-imagesudo pip3 install -U --pre tensorflow-gpu# sudo pip3 install -U --pre tensorflow ## CPU版本sudo pip3 install -U --pre keras# 如果搞图像,还需要安装cv2sudo pip3 install -U --pre opencv-python

其他的按照自己需要的来就行了。

然后打开python命令行,import一下,看看有没有错

[root@izwz9fnfgk9709s3h9ex47z soft]# pythonPython 3.6.6 (default, Aug 2 2018, 14:32:43) [GCC 4.8.5 20150623 (Red Hat 4.8.5-28)] on linuxType "help", "copyright", "credits" or "license" for more information.>>> import tensorflow as tf>>> import kerasUsing TensorFlow backend.>>> tf.__version__"1.10.0-rc0">>> keras.__version__"2.2.1">>>

最后启动终极代码

可以看到里面已经有GPU参与的信息了,而且速度上明显感觉有质一般飞跃!爽!

安装资源

如果有不方便下载的,我这里也有所有组件的安装资源,可以去yunpan下载。

https://pan.baidu.com/s/1IkgVpnn2VWUNXAFkKVlM6g

相关产品

COPYRIGHTS©2017 沙龙365备用网站 ALL RIGHTS RESERVED 备案号:95