wsl2配置cuda和编译tensorflow

目录

1、安装CUDA Toolkit

2、配置cudnn

3、编译tensorflow-gpu

---

原因是因为我把wsl中的ubuntu发行版搞崩了，卸载重装了发现ext4文件也无了，又要痛苦的重新安装cuda和编译tensorflow了（！！！！！no，好痛苦）

在wsl中输入

nvidia-smi

如果不能显示就是安装的driver version版本太低了 我之前就因为这个卡住过

1、安装CUDA Toolkit

CUDA Toolkit Archive | NVIDIA Developer

选择这种方式直接了当

惊奇发现我居然还有cuda11.1

一般下载完就在/usr/local

但是没有配置路径

vim ~/.bashrc
export CUDA_HOME=/usr/local/cuda
export PATH=$PATH:$CUDA_HOME/bin
export LD_LIBRARY_PATH=/usr/local/cuda-11.4/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
source ~/.bashrc
 

2、配置cudnn

cuDNN Archive | NVIDIA Developer

选择下载对应版本linux x86，下载到的是windows本地，解压到wsl中你想要的位置下

tar -xvf cudnn-linux-x86_64-8.5.0.96_cuda11-archive.tar.xz

将解压后的cuda的两个文件夹内容拷贝到/usr/local/cuda-11.1下

sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-11.1/lib64/
sudo cp cuda/include/cudnn* /usr/local/cuda-11.1/include/

设置读取权限：

sudo chmod a+r /usr/local/cuda-11.1/include/cudnn*
sudo chmod a+r /usr/local/cuda-11.1/lib64/libcudnn*

验证cuda是否安装成功

cd /usr/local/cuda/samples/4_Finance/BlackScholes
sudo make
./BlackScholes

出现Test passed说明安装成功。

3、编译tensorflow-gpu

从源代码构建  |  TensorFlow (google.cn)

前置条件是我前面已经弄好bazel、gcc等，是在anaconda的虚拟环境下编译python==3.9

进入下载好tensorflow源码的地方

别忘了修改交换区大小，太小的不行，可以百度下怎么改，我下面这种方式的不能永久生效，每次重新启动wsl就不行了，这个/swap/swapfile文件也是我之前处理过的

永久办法：在C:\Users\32030 新建.wslconfig文件

[wsl2]
memory=4GB #可用的最大内存
swap=12GB  #交换分区大小
localhostForwarding=true

还需要知道gpu的计算能力

python configure.py

bazel build --config=cuda --local_ram_resources=2048 //tensorflow/tools/pip_package:build_pip_package

然后就是漫长的等待，大概要编译一天一夜吧

构建软件包：

bazel build 命令会创建一个名为 build_pip_package 的可执行文件，此文件是用于构建 pip 软件包的程序。如下所示地运行该可执行文件，以在 /tmp/tensorflow_pkg 目录中构建 .whl 软件包。

./bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

安装软件包：

pip install /tmp/tensorflow_pkg/tensorflow-2.4.0-cp39-cp39-linux_x86_64.whl

又出问题了，tensorflow2.4.0会需要下载h5py-2.10.0，而我的环境无法下载2.10.0会报错找不到Cython，但是可以安装最新的h5py-3.10.0，我不知道怎么解决！！！！！放弃了，懒得换版本了 

如果报这个错误，就是别在tensorflow这个文件夹下使用python

然后运行检查是否下载成功

python
import tensorflow as tf
tf.config.list_physical_devices('GPU')

能显示就是对的

一般可能还会报numpy版本不合适的错，这是玄学，我只会一个个试