一台没网的主机怎么配置GPU环境？

最新推荐文章于 2024-09-08 12:16:53 发布

空字符（公众号：月来客栈）

最新推荐文章于 2024-09-08 12:16:53 发布

阅读量2.5k

点赞数 2

分类专栏：跟我一起深度学习 Tensorflow入门指南文章标签：人工智能 gpu 深度学习

本文链接：https://blog.csdn.net/The_lastest/article/details/108524087

版权

本文详细介绍了如何在一台内网且无Python源的主机上配置CUDA Toolkit、cuDNN和Tensorflow-GPU的离线安装过程，包括版本选择、下载、安装和测试。在安装过程中，遇到的挑战主要是没有网络和缺乏内部Python源，需要手动下载安装包并解决依赖问题。

摘要由CSDN通过智能技术生成

1 前言

什么样的环境配置需要一整天呢？答，在一台内网服务器上且没有内部Python可用源的情况下安装CUDA驱动+Tensorflow需要整整一天。

前段时间同事申请的一台主机上周到了，说让笔者来配置一下环境。拿到账号后第一时间登陆上去，并使用了nvidia-smi来查看是否配有显卡。结果提示找不到该命令，初步判断GPU凉了。今天早上同事走过来问我环境弄好了没，速度怎么样？笔者答到，配置好了，速度一般般。同事又问到，和你笔记本比呢？我说差不多，然后补充了一句，没GPU快不起来。结果同事回了一句，主机配了GPU。纳尼？配了？于是笔者赶快用命令查看了一下：

lspci | grep -i vga

结果只是输出了这么一句提示：

VGA compatible controller: ASPEED Technology, Inc. ASPEED Graphics Family (rev 41)

然而并没有发现GPU。笔者心想，难道是命令不对？于是又试了试这个命令：

lspci | grep -i nvidia

结果终于发现了新大陆，提示装有一块Tesla P100的显卡。

3D controller: NVIDIA Corporation GP100GL [Tesla P100 PCIe 16GB]

然后接下来的整整一天就泡在了GPU环境的配置上。

2 环境配置

由于主机在内网中，所以无法通过第三方源来安装各种包；但更无语的是居然没有供内部使用的Python源。这就意味着后续所有需要用到的依赖包都得手动从网上下载，然后再拷贝到主机中进行离线安装。接下来，笔者就开始一步步的介绍如何进行环境的安装。同时，这里默认已经安装好了对应的Python，没有的话可自行安装。

2.1 版本选择

在正式安装之前，笔者首先来大致介绍一下CUDA，CUDA Toolkit，cuDNN三者间的关系，这样也便于后续的安装理解。

CUDA基本就等于CUDA Toolkit，CUDA Toolkit里面包含了较新的显卡驱动以及其它一些所需要用到的东西，所以安装了CUDA Toolkit后也就不用再去单独安装驱动了；
cuDNN是英伟达专门为深度学习所开发的用于深度神经网络的GPU加速库，像Tensorflow、Pytorch之类的深度学习框架要使用到GPU加速，就需要用这个cuDNN库。

在下载安装包之前，最重要的一个工作就是确定所需要安装的CUDA Toolkit版本号。怎么确定呢？最好的方法就是以你所需要的Tensorflow版本或者Pytorch版本来反推CUDA Toolkit的版本。在这个网站[1]的最后面，可以看到Tensorflow官方给出的版本依赖关系：

图 1. Tensorflow与CUDA版本对应图

由于笔者一开始并没有注意到这个问题，直接选择安装了10.1版本的CUDA，并且也配套安装了7.6版本的cuDNN。最后的结果就是在Tensorflow1.11上调用GPU的时候显示缺少libcudnn.so.9这个文件。看到提示这个问题的时候笔者才意识到一开的版本选择出现了问题，只有CUDA 9.0才支持Tensorflow1.11。但是看到1.14的Tensorflow也支持10.0版本的CUDA，于是就又侥幸的试了一下安装好的环境能不能在Tensorflow 1.14上运行。好在经测试后发现可以，不然前面的功夫就白费了。

因此最好的做法就是一开始就根据需要使用的Tensorflow或者Pytorch版本来选择CUDA的版本（也就是CUDA Toolkit 对应的版本）。