Jetson TX2配置Tensorflow、Pytorch等常用库

之前在PC Ubuntu或者树莓派上都配置过，方法不变，所以此篇博客会简单记录下过程，详细的一些方法思路可以去参考博主之前的系列博客（虽然硬件平台不一样，但方法大体一致的。硬件平台主流的有树莓派，NVIDIA Jetson，Google的Coral Dev Board等。授人以鱼不如授人以渔，我们重点的是学方法，以不变应万变。前面系列博客里从常用库的配置，深度学习的推断，如何交叉编译都做了一些详细的实验和阐述，这些思路和习惯都可以沿用到新的嵌入式平台上）

https://blog.csdn.net/jiugeshao/category_11391557.html?spm=1001.2014.3001.5482

https://blog.csdn.net/jiugeshao/category_11447160.html?spm=1001.2014.3001.5482

 对于Jetson TX2的初始环境配置可见此前三篇博客

NVIDIA Jetson TX2简介_竹叶青lvye的博客-CSDN博客_nvidiatx2

NVIDIA Jetson官网资料整理_竹叶青lvye的博客-CSDN博客

NVIDIA Jetson TX2安装JetPack_竹叶青lvye的博客-CSDN博客

一.配置指定的python版本

这里选择python3.7，方法参考博主之前博客

树莓派4B上多版本python切换（一）_竹叶青lvye的博客-CSDN博客_树莓派python版本更换

注：

(1)软链接的删除可参考Ubuntu下的基本知识点（一）_竹叶青lvye的博客-CSDN博客_ubuntu基础知识

(2)这里pip3的链接目标要切换为如下（结合自己的路径）

 完毕后，终端输入python3和pip3 -V

 可以看到已经切换到python3.7了，而不是系统自带的python3.6。 

注：

若发现在桌面点击终端没有反应，terminal打不开，可以打开任意文件夹，空白处右击打开终端。编辑如下路径下的文件

 最顶部改为当前系统默认的python3.6，原先的是python3。（因为前面建立软链接时，python3已经链接到python3.7版本了，所以这边捅破窗户，直接告诉系统，你要用的就是python3.6）。完毕后，桌面上点击终端就能打开了。

二.配置CUDNN

博主前面重新安装过JetPack

NVIDIA Jetson TX2重装系统_竹叶青lvye的博客-CSDN博客

这里要看默认的cuda和cudnn系统可以如下命令语句查看

 cd到如下目录

/usr/src/cudnn_samples_v8/mnistCUDNN

执行sudo make，完毕后再执行./mnistCUDNN,显示测试通过。

类似博主之前博客，我们需要将cudnn的一些头文件和lib库拷贝到cuda下面去

TensorRT安装及验证_竹叶青lvye的博客-CSDN博客_验证tensorrt

对于当前TX2的配置，执行如下的命令语句

sudo cp /usr/lib/aarch64-linux-gnu/libcudnn* /usr/local/cuda-10.2/lib64

三.安装Tensorflow

主要参考博主之前博客里的方法

树莓派4B安装Tensorflow2.4.0_竹叶青lvye的博客-CSDN博客_树莓派安装tensorflow

 这里选择如下版本

 下载下来后使用如下命令进行安装

pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl --user

 安装过程中若出现如下错误信息：

 可以手动去源码编译下hdf5, 可从网址Download HDF5下载，博主这里选用的是hdf5-1.10.6

 完毕后，在hdf5-1.10.6文件夹中新建一个install文件夹，然后执行如下命令行语句进行编译

./configure --prefix=/home/sxhlvye/Downloads/hdf5-1.10.6/install
sudo make -j4
sudo make install

完毕后，在install文件夹中就能看到安装好的库

 注：别忘了在~/.bashrc中配置下环境变量哦，如下：

 完毕后，可以继续执行如下两条安装语句：

sudo apt-get install libhdf5-serial-dev
sudo apt-get install libhdf5-dev

完毕后再重新执行如下命令语句

pip install tensorflow-2.4.0-cp37-none-linux_aarch64.whl --user

这次安装成功，如下图：

 测试：如下import库没有报错

四.安装pycharm

参考博客下载和安装（这里选择的是社区版，无需激活）Ubuntu20.04 C++程序的简单编译及QT和Pycharm的配置_竹叶青lvye的博客-CSDN博客

在执行./pycharm.sh的时候，出现报错：No JRE found.Please make sure $PYCHARM_JDK,$JDK_HOME,or $JAVA_HHOME point to valid JRE installation

需要配置下jdk。

1.使用apt-cache search openjdk来看当前TX2环境下所支持的jdk版本

这边配置jdk11

2.如下命令行语句即可安装

sudu apt-get install openjdk-11-jdk

 安装完毕后，可执行语句查看openjdk的安装路径

dpkg -L openjdk-11-jdk

 如下命令可以查看jdk的版本

java -version

3.再次执行./pycharm.sh, pycharm能正常加载

 但看到报错信息：Failed to load moudle "canberra-gtk-moudle"

 等会下面来解决它。

五.更新源

可以参考博主之前博客更新源

VMware Ubuntu20.04下挂载磁盘、更新源等常用配置_竹叶青lvye的博客-CSDN博客_ubuntu vmware 挂载硬盘

 这里选择如上的源，但记得要将里面的ubuntu改为ubuntu-ports

 完毕后，别忘了执行语句sudo apt-get update

 更新完毕，尝试安装下如下语句

 sudo apt-get install libcanberra-gtk-module

以解决上面第三部分中提到的报错。此时再打开pycharm，后台就不会出现报错信息了。在pycharm中来测试下前面配置的tensorflow的信息

 pycharm的使用可以参考博主之前的博客，从上图中可以看出，第二部分所装的tensorflow版本不是GPU版本的，所以接下来通过虚拟环境，在python3.7版本的虚拟环境下配置下tensorflow-gpu

六. 配置Tensorflow-GPU

python3下虚拟环境的配置可以参考博主之前的博客

树莓派4B上多版本python切换（二）_竹叶青lvye的博客-CSDN博客_树莓派切换python2

https://files.pythonhosted.org/packages/9e/34/e86fc6a8f84329b49321a532b3c1fef103c67765df957fbb3852eea39d00/virtualenv-20.14.1-py2.py3-none-any.whl 

安装过程，主要参考官网DOCS这一栏

NVIDIA Documentation Center | NVIDIA Developer

 点进去后，便可以看到安装说明

Installing TensorFlow for Jetson Platform :: NVIDIA Deep Learning Frameworks Documentation

 博主这边就不复述了，按照文档操纵即可，还是很详细的。博主所用的TX2的配置可见之前博客

NVIDIA Jetson TX2重装系统_竹叶青lvye的博客-CSDN博客

链接里也例句了官方tensorflow的一些信息

TensorFlow for Jetson Platform Release Notes :: NVIDIA Deep Learning Frameworks Documentation

 博主这边安装Tensorflow 2.7版本(博主所使用的python3环境还是安装Jetpack后系统默认的python3.6环境，并没有在前面所配置的python3.7环境下安装tensorflow2.7)。

博主这边是先下载下来，再进行的安装，下载地址如下

Index of /compute/redist/jp/v461/tensorflow

下载下来后，再pip安装下，即可

验证：

在pycharm测试如下代码：

import tensorflow as tf
print(tf.test.is_gpu_available())
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_built_with_cuda())

执行结果如下：

/usr/bin/python3 /home/sxhlvye/PycharmProjects/pythonProject/test1.py
WARNING:tensorflow:From /home/sxhlvye/PycharmProjects/pythonProject/test1.py:2: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.
2022-06-25 07:03:13.240374: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:13.465336: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:13.465659: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.279189: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.279540: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.279799: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.280005: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /device:GPU:0 with 638 MB memory:  -> device: 0, name: NVIDIA Tegra X2, pci bus id: 0000:00:00.0, compute capability: 6.2
True
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
True
2022-06-25 07:03:17.291743: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.293825: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero
2022-06-25 07:03:17.295500: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1019] ARM64 does not support NUMA - returning NUMA node zero

Process finished with exit code 0

上面可看到已经成功安装，能够跑在GPU上。

这边也跑下之前博客（在树莓派上运行）中的代码

树莓派4B安装Tensorflow2.4.0_竹叶青lvye的博客-CSDN博客_树莓派安装tensorflow

运行结果如下，ct需要19s：

七. 配置Pytorch

参考官方文档

Installing PyTorch for Jetson Platform :: NVIDIA Deep Learning Frameworks Documentation

博主这边还是先下载好安装包，再pip install安装 （安装之前先按照官网配置下预配置环境）

Index of /compute/redist/jp/v461/pytorch

安装完毕后，如下测试，没有报错，torch成功安装

再继续安装下torchvision库，如下命令行语句即可，torch、torchvision、torchaudio的对应关系可从官网去查看

https://pytorch.org/get-started/locally/

pip install torchvision==0.10.0 --default-timeout=100000
pip install torchaudio

 完毕后，在pycharm中进行如下的代码测试：

import torch
import torchvision
from torchvision import transforms
import torchvision.models as models

print("over")
print(torch.cuda.is_available())
print(torch.__version__)
print(torch.backends.cudnn.version())

运行结果如下： 

 可看到pytorch已经配置成功。跑下博主之前博客（在树莓派上）中的测试代码

树莓派4B安装pytorch_竹叶青lvye的博客-CSDN博客_树莓派4b安装pytorch

 可看到在TX2上跑的时间，需要28s。

八.配置TensorRT

前面重装系统后，默认的python3.6环境下已经有了tensorrt的库，这边直接贴上加速效果图，具体方法参考博主之前博客。

TensorRT加速方法介绍（python pytorch模型）_竹叶青lvye的博客-CSDN博客_tensorrt加速

需要pip3 install pycuda，安装过程中若出现如下错误

In file included from src/cpp/cuda.cpp:4:0:
  src/cpp/cuda.hpp:14:10: fatal error: cuda.h: No such file or directory
   #include <cuda.h>
            ^~~~~~~~
  compilation terminated.
  error: command 'aarch64-linux-gnu-gcc' failed with exit status 1

可以在环境变量中添加相关变量

export CPATH=$CPATH:/usr/local/cuda/include

在执行import torch时，若报：OSError: libomp.so找不到问题，可添加如下环境变量

 在TX2上的运行信息如下，ct时间大大加快：

精力有限，只记录上面几个常用库的配置，可以到其过程和在其它硬件平台上的ubuntu系统环境下差距不大。

附言：

博主在之前的博客中提到过各深度学习的硬件平台，前面博客中涉及到了树莓派、NVIDIA Jestson系列，其它的暂时不去整了，比如goole的开发板，整多了其实知道，大多都是基于linux操作系统，所以本质区别不大，可能额外的了解下硬件本身的引脚功能。后续博主的精力应该会在深度学习的最新算法、3D点云的处理以及传统的图像处理算法上。

用于跑深度学习的嵌入式硬件平台资料整理（二）_竹叶青lvye的博客-CSDN博客_跑深度学习的平台