tensorflow搭建

CUDA安装

官方下载：https://developer.nvidia.com/cuda-downloads

检查是否正确安装kernel headers（否则出现ERROR: Failed to run `/usr/sbin/dkms build -m nvidia。。。）。
  # uname -r  /**这是Kernel headers 的版本，必须在安装cuda 驱动之前安装完成**/

  # yum install kernel-devel-$(uname -r) kernel-headers-$(uname -r)

错误提示：The driver installation is unable to locate the kernel source

使用命令bash cuda_8.0.61_375.26_linux.run运行程序安装包（删除命令：/usr/local/cuda/bin/uninstall_cuda_9.0.pl）。

如果提示：缺失libGLU.so，libX11.so，libXi.so，libXmu.so，依次安装：

yum install freeglut-devel.x86_64
yum   install  libX11-devel
yum install libXi-devel.x86_64
yum install libXmu-devel.x86_64

    注意：首先出现的是说明之类的内容，按ctrl+c跳过，在接下来弹出的窗口全部选择y，如果装过驱动，可以不用再装驱动，安装路径也使用默认的。

    第四步：编译CUDA Toolkit
    ①执行完安装程序后会在/root目录下生成目录NVIDIA_CUDA-8.0_Samples文件夹
    ②进入NVIDIA_CUDA-8.0_Samples文件夹，执行make命令进行编译
    注意：在这一步有好多的warning警告信息忽略就好，有报错也大都是一些库没有安装，根据提示安装后重新编译即可

    第五步：测试CUDA Toolkit是否安装成功
    执行命令/root/NVIDIA_CUDA-8.0_Samples/bin/x86_64/linux/release/deviceQuery进行测试是否安装成功。
    

   装了cuda后，可以运行nvidia-smi命令。

    设置环境变量：
    echo 'export PATH=/usr/local/cuda/bin:$PATH' >>   /etc/bashrc
    echo 'export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH' >>  /etc/bashrc
    source  /etc/bashrc
    如果nvcc -V 成功，即安装成功。

GPU查询

下面对这个图中的内容做一个简单的解读：
（1）第一列  GPU：编号0、1
       Fan：GPU的风扇转速，N/A【智能温控，本栏目（对我）不适用，填N/A是用来占位，防止留空】
（2）第二列  Name：型号Tesla K80、Tesla K80
         Temp： 温度，单位摄氏度。
（3）第三列  Perf：性能状态，P0~P12，P0表示最大性能，P12表示状态最小性能。
（4）第四列  Persistence-M：持续模式的状态
         Pwr：能耗
（5）第五列  Bus-Id： GPU总线，domain:bus:device.function
（6）第六列  Disp.A：Display Active，表示GPU的显示是否初始化。
 Memory Usage 显存使用率。
（7）第七列  Volatile GPU-Util 浮动的GPU利用率。
（8）第八列 Uncorr. ECC   ECC是“Error Checking and Correcting”的简写，“错误检查和纠正”Compute M是计算模式。
cuDNN安装
官网下载：https://developer.nvidia.com/rdp/cudnn-download
 tar -zxf cudnn-7.5-linux-x64-v5.0-ga.tgz
 #以5.1版为例
 cd cuda
 cp include/cudnn.h /usr/local/cuda/include/
 cp lib64/* /usr/local/cuda/lib64/
 cd /usr/local/cuda/lib64
 ln -sf libcudnn.so.5.1.10 libcudnn.so.5
 ln -sf libcudnn.so.5 libcudnn.so

 ldconfig -v

cudnn sample的下载标签：Download cuDNN v2 (March 17,2015), for CUDA 6.5 and later.

    cd samples/1_Utilities/deviceQuery
    make
    ./deviceQuery
    执行完 ./deviceQuery 命令,终端输出如下类似信息,有GPU型号、驱动版本和运行版本、计算能力......诸多信息。

  python从2.7升级到3.6

wget https://www.python.org/ftp/python/3.6.1/Python-3.6.1.tar.xz
tar xvf Python-3.6.1.tar.xz
mkdir /usr/local/python3
cd Python-3.6.1

./configure --prefix=/usr/local/python3 --enable-optimizations
make  && make install
cd /usr/bin
mv python python.bak
ln -s /usr/local/python3/bin/python3.6 /usr/bin/python

python -V

问题：

$ yum 

File "/usr/bin/yum", line 30 

except KeyboardInterrupt, e: 

                                         ^

SyntaxError: invalid syntax

方法：

vi /usr/bin/yum

将第一行"#!/usr/bin/python" 改为 "#!/usr/bin/python2.4"即可（旧的python版本）。

except KeyboardInterrupt, e:

方法：

yum用python作为解释器，因此升级python后（如2.7升级到3.6）会报此错误，只需在第一行，加上原来的版本号，如:vi/usr/bin/yum-config-manager,    #!/usr/bin/python2.7，另外还有/usr/libexec/urlgrabber-ext-down。

安装anacoda3
1到官网（https://www.anaconda.com/download/#linux）下载安装包，
如： Anaconda2-4.3.0-Linux-x86_64.sh
2 执行bash Anaconda2-4.3.0-Linux-x86_64.sh
3 执行“回车”，直到出现yes no 选择，输入yes，然后根据提示回车进行安装，询问是否加入环境变量，输入yes，回车，安装完成。打开新终端，测试一下。成功！

如：“Python 3.6.4 |Anaconda, Inc.| (default, Jan 16 2018, 18:10:19)”

opencv 安装

官网下载，如opencv3.4。

cd opencv
mkdir build
cd build

cmake .. 

CMAKE_BUILD_TYPE:　　　　   build的类型，有Release和Debug两种
CMAKE_INSTALL_PREFIX：　　指定想要安装OpenCV的文件夹目录，一般就用/usr/local
除此之外，还可以添加上BUILD_DOCS 来build文档 以及 BUILD_EXAMPLES 来build所有的样例
注意：如果上面的命令行无法工作，则把-D后面的空格去掉：
$ cmake -D CMAKE_BUILD_TYPE=Release -DCMAKE_INSTALL_PREFIX=/usr/local ..

//升级了python,但是引得还是2.7版本，暂不知道有啥影响。

make -j 10
make install

如果执行cmake时候出现如下错误信息
FATAL: In-source builds are not allowed.

则应该是在代码根目录下直接执行过cmake，导致根目录下生成了CMakeCache.txt，需要删除CMakeCache.txt再次执行编译即可。

遇到的错误：

undefined reference to `jpeg_default_qtables'

去http://www.ijg.org/下载安装。

1. cd jpeg-9  
2. ./configure   
3. make libdir=/usr/lib64    
4. make libdir=/usr/lib64 install 

tf安装

据说tf不支持cuda 9.1(因为官方的wheel是在cuda 9.0上编译的~，cudnn要跟cudn的版本匹配），最后的环境是：cuda9.0+cudnn-9.0-v7+python3.6+tf1.7。

执行下ldconfig ,如果没有pip，执行：yum install python-pip （没有python-pip包就执行命令 yum -y install epel-release）

https://pypi.python.org/pypi/tensorflow-gpu/1.4.0#downloads （CPU版本：https://pypi.python.org/pypi/tensorflow/1.4.0）下载安装文件，如：tensorflow_gpu-1.4.0-cp36-cp36m-manylinux1_x86_64
执行：pip install --upgrade  tensorflow_gpu-1.4.0-cp36-cp36m-manylinux1_x86_64.whl

出现“is not a supported wheel on this platform”，可能是版本有问题。

测试安装成功与否

vi   tensorflowTest.py

#tensorflowTest.py
import tensorflow as tf
hello = tf.constant('Hello,TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))

运行 python tensorflowTest.py ，若最终结果与下面两行一致，则恭喜你安装成功！

//TensorFlow.py 运行结果
Hello, TensorFlow!
42

问题

ImportError: libcudnn.so.6: cannot open shared object file: No such file or directory

找不到libcudnn库。

找不到glibc2.14

官网地址：http://www.gnu.org/software/libc/

首先, 点击此处下载glibc点击下载, 得到glibc-2.14.tar.gz使用如下命令解压glibc-2.14.tar.gz:

$ tar - xzvf glibc - 2.14.tar.gz

当前目录下得到目录glibc-2.14, 执行$cd glibc-2.14命令进入目录, 依次执行如下命令编译安装glibc-2.14:

$ mkdir build // 在glibc-2.14目录下建立build文件夹

$ cd build // 进入build目录

$ . . / configure -- prefix = / opt / glibc - 2.14 // 配置glibc并设置当前glibc-2.14安装目录

$ make && make install // 编译安装glibc-2.14库

  临时修改环境变量

export LD_LIBRARY_PATH=/opt/glibc-2.14/lib:$LD_LIBRARY_PATH

glibc软链

发现升级后跟locale冲突，还未找到办法解决，又回退到2.12。

安装完成后, 建立软链指向glibc-2.14, 执行如下命令:

$ rm -rf /lib64/libc.so.6             // 先删除先前的libc.so.6软链
$ ln -s /opt/glibc-2.14/lib/libc-2.14.so /lib64/libc.so.6
注意
删除libc.so.6之后可能导致系统命令不可用的情况, 可使用如下方法解决:
$ LD_PRELOAD=/opt/glibc-2.14/lib/libc-2.14.so  ln -s /opt/glibc-2.14/lib/libc-2.14.so /lib64/libc.so.6
如果上述更新失败可使用如下命令还原:

$ LD_PRELOAD=/lib64/libc-2.12.so ln -s /lib64/libc-2.12.so /lib64/libc.so.6    // libc-2.12.so 此项是系统升级前的版本