深度学习之环境配置

我们都知道，在学习计算机的过程中，总会出现各种各样的问题，这一点我想计算机专业的伙伴们感同身受；更别说在学习深度学习的过程中了。

1. 接下来，就介绍一下几个深度学习过程中几个典型而又容易范的错误。

• (1) 注意cuda、cudnn、cuda driver和cudatoolkit的版本
  cuda是nvidia推出的用于自家GPU的并行计算框架，也就是说cuda只能在nvidia的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥cuda的作用。
  cudnn是nvidia打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cudnn不是必须的，但是一般会采用这个加速库。
  cuda driver即cuda驱动器，是用来支持cuda运行的必备程序。而cudatoolkit则是cuda相关的工具包。
  以上四者之间必须有个版本对应和匹配的问题。有时候安装keras GPU版本的时候会默认安装cudatoolikit 10.0，这时候如果你cuda是9.0的版本的话，一般会报个CUDA driver version is insufficient for CUDA的错误。如下所示：
  
  这时候你可能需要降低cudatoolkit的版本：

conda install cudatoolkit==9.0

还有一种常见的错误是cuda driver的驱动器跟cuda不匹配。执行nvidia-smi命令会出现如下图错误：

Failed to initialize NVML: Driver/library version mismatch

这里是nvidia官方给出的关于cuda和cuda driver之间版本对应关系：

在版本不匹配时，适当降低或者更新驱动器版本即可。另外驱动器版本更新之后可能需要重启系统，当然通过如下方法不用重启也可以更新版本。首先尝试删除nvidia相关的kernel mod

sudo rmmod nvidia
//这里介绍的为linux版本的

当然这里一般会报个Module nvidia is in use by的错误。（不碍事的），接下来我们先查看下kernel mod 的依赖情况：

ls mod | grep nvidia

根据根据结果逐一rmmod即可

sudo rmmod nvidia_uvm
sudo rmmod nvidia_modeset

最后再rmmod nvidia即可达到驱动器更新效果

sudo rmmod nvidia
nvidia-smi

还有一种报错是cudnn版本不匹配的问题：

此时直接更新cudnn版本即可

• （2）验证TensorFlow/Keras/Torch版本是否支持GPU加速
  虽说按部就班的配环境好像也没啥大问题，但要想让你的TensorFlow和Torch顺利用上GPU跑起来并不是一件那么顺利的事。此时，直接使用nvidia-smi命令并不能表明TensorFlow就能顺利用上GPU
  比如说我们用Keras跑模型时指定了GPU，有时候会报如下错误：
  
  一方面，你的机器可能确实没有那么多GPU，另外一种可能就是你没有安装支持GPU的TensorFlow或者Keras版本。这时候我们可以先来验证下当前的TensorFlow或Keras是否支持GPU。
  先来看TensorFlow：

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

如果输出结果有类似上述包含GPU的信息，那说明你的tensorflow是支持GPU的。再看keras：

from keras import backend as K
print(K.tensorflow_backend._get_available_gpus())

如果能输出下述包含GPU的信息的话那说明当前的keras版本也是支持GPU的

Torch的话安装到时候一般都会根据官网的配置要求来：

安装后输入下列命令即可：

import torch
torch.cuda.is_available()

如果输出为True的话则表明当前的torch是支持GPU加速的

如果你没有得到上述的输出结果，那么需要重新安装带gpu版本的tensorfow或者keras：

pip install tensorflow-gpu
conda install keras-gpu

• （3）最后再介绍一个免费的GPU资源
  如果大家没有GPU资源又或者嫌配置太糟心，我们还是有免费的GPU可以褥的。一个是谷歌的colab，自动支持GPU，大家可以直接去褥。另外一个是kaggle竞赛平台的kernel，里面也是提供GPU算力的、还有FlyAI等等。
  colab目前提供的GPU已经由之前K80升级到了Tesla T4：
  
  kaggle提供的则是Tesla P100：
  
  colab地址：

https://colab.research.google.com/notebooks/

kaggle地址：

https://www.kaggle.com/

FlyAI地址：

https://www.flyai.com/

没了。。。。。