本文介绍两种安装
tensorflow gpu
版本的方法。第一种来自
tensorflow
官网推荐的方法,通过
virtualenv
建立纯净虚拟环境,在虚拟环境里安装。
第二种使用
pyenv
和
anaconda
。
刚接触
Ubuntu
和
python
不久,写代码时摆脱不了
IDE
,比如
anaconda
的
spyder
,并且
anaconda
自带了很多库,非常方便。
第一种方法的缺点是太纯净,所以在第一种方法安装完之后,尝试了第二种方法。将
anaconda
安装在
pyenv
里,避免和系统自带
python
版本冲突。
然后在
anoconda
里直接用
conda
安装
tensorflow-gpu
和
opencv
等,安装过程很简单,而且可以在
spyder
里导入。
我的显卡是刚入门的
G
eForce GT 730M
,刚好能达到装
cuda
的分数线。之前一直觉得这张卡不堪用,没必要装
gpu
版。跑
CPU-only caffe
版
faster-Rcnn
的
demo
时,
一张图片需要二十几秒钟。后来装了cuda, 使用
GPU caffe
运行
demo
发现一张图只需要两秒多,速度提升近十倍,第一次感受到
GPU
的强大。如果显卡能装cuda那就装吧。
第一种方法来自
tensorflow
官方推荐的
virtualenv
方法,大致如下
1.
安装
cuda
在
Nvidia
官网
http://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html
下载
.deb
文件,按照
3.Package manager installation
方式安装,中间没有碰到问题。
接下是
Post-installation action,
也就是添加环境变量:
$ export PATH=/usr/local/cuda-8.0.61/bin${PATH:+:${PATH}}
,
不过要注意这里的版本号
cuda-8.0.61
,我的文件夹下是
cuda-8.0
,改过来就好。
这里有点疑惑,官网的意思是直接在
terminal
上用
export
命令,这样效力仅限本次登录。网上有很多教程是在
.bashrc
文件里添加,这样以后会一直有效。
我采用了官网的方法。
安装
sample
时报过错,在网上能找到解决方案。
2.
安装
cudnn
cud
nn
的安装很容易,解压之后做两次复制。
3.
利用
virtualenv
建立干净的虚拟环境,激活虚拟环境,并安装
pip
或
pip3
安装
tensorflow gpu
版。
第二种安装利用
pyenv
和
conda
1. pyenv的安装和介绍可以参考 https://segmentfault.com/a/1190000004020387
2. $
pyenv install –list
,查看可以安装的
python
版本,包括了
anaconda;
3. $
pye
nv install anaconda-x
,安装
anaconda-x
,(
-x
是第
1
步列出的某个版本号)安装路径
.pyenv/version/
下,不会对系统环境产生影响;
4.
$
pyenv global anaconda-x,
全局切换到
anaconda
环境;
5.
$
conda
install tensorflow-gpu
,这时
conda
会自动安装需要的
cuda
和
cudnn
;
6.
$
conda install opencv
,没有碰到问题。
7.
$
pyenv global system,
安装完需要的库之后
切换回系统自带
python
版本。
需要使用
anaconda
和
tensorflow
时用上面的命令
3
切换到
anaconda
环境,
可以直接在
terminal
下输入
$
python
进入
python
,也可以
$
spyder
,在
spyder
中编辑代码。
验证安装
安装完成后
$
python,
然后依次输入下面命令,最后输出”
Hello, TensorFlow!
“
,说明安装完成。
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
需要说明的是
,我是在没有卸载第一种方式的情况下尝试的第二种。如果直接用第二种方式应该也不会有问题。