Ubuntu安装及深度学习开发环境配置教程

最新推荐文章于 2024-05-02 14:51:54 发布

Destiny_In_Fate

最新推荐文章于 2024-05-02 14:51:54 发布

阅读量5k

点赞数 8

分类专栏： Ubuntu 文章标签： Ubuntu 深度学习 CUDA

本文链接：https://blog.csdn.net/qk320723/article/details/81177074

版权

Ubuntu 专栏收录该内容

1 篇文章 0 订阅

订阅专栏

前言

先前一直在捣鼓如何配置Linux下深度学习环境，中间遇到各种坑，光是装Linux系统就试了3个版本，装了十几次，搭建环境时遇到的错误也千奇百怪。本文为多次搭建后总结经验而成，较系统地完成了Ubuntu安装及深度学习开发环境配置的教程。

11月18日更新：

之前Pycharm无法导入tensorflow，报错结果是：ImportError: libcublas.so.9.0: cannot open shared object file: No such file or director，原因是没有把cuda的目录加入到环境变量中，新增该内容并调整了原文顺序。
修改了安装tensorflow的pip代码，之前的代码有些问题。

五、安装 GPU 版本的 tensorflow 和 keras

六、Pycharm安装及配置：

Ubuntu 安装

一、准备：

U盘：至少需要2G，最好提前备份U盘数据，制作U盘启动盘时需要格式化数据；
Ubuntu 18.04LTS镜像文件：
- 推荐下载地址：https://mirrors.tuna.tsinghua.edu.cn/ubuntu-releases/bionic/ubuntu-18.04.1-desktop-amd64.iso 这是清华的镜像
U盘启动盘制作工具：不需要“软碟通”等制作软件，Ubuntu官方推荐的制作工具为Rufus .
- 官方下载地址：http://rufus.akeo.ie/downloads/rufus-3.1.exe

二、分区：

找到Windows下的硬盘管理工具：
- 右键此电脑——管理——“硬盘管理”.
选择要进行分区的磁盘，右键“压缩卷”

我的分区方案是是固态硬盘分出33.5GB，机械硬盘分出500G；

系统根目录装在固态硬盘（快），机械硬盘的500G用来存储大型数据，具体的分配方式请自定.

三、U盘启动盘制作：

下载后直接打开Rufus；
插入U盘，选择已下载好的ISO镜像，以ISO模式写入.

四、BIOS设置：

开机按键进入BIOS选项（Dell是F12，其他有F2、F8等）；
在BIOS选项中，将Secure Boot 设置为Disable；
推荐使用UEFI引导安装，若用此方式安装失败，请选用Legacy引导.

五、安装Ubuntu：

插上U盘启动盘，开机按键进入系统启动选项，选择你的U盘启动盘，回车；
进入Ubuntu安装选项，我们选择Install Ubuntu；
进入图形化安装界面，语言默认选择中文，WiFi可以连也可以不连，建议网速好的情况下连接WiFi，下载更新；
关键的一步是选择“安装类型”，我们选择“其它选项”，即自己为Ubuntu选择分区.这个时候，双击之前分出的空闲空间，即可分配各分区的大小与文件格式；为了简便起见，我们只设立swap、/、/boot、/home这四个分区：
1. swap：从SSD分，文件系统为“交换分区”，大小4G（该分区用作虚拟内存，推荐大小为内存一半）；
2. /boot：从SSD分，文件系统“ext4”，大小512M（该分区用来引导系统，大小512M足够）；
3. /：从SSD分，文件系统“ext4”，大小为SSD上剩余空闲空间（该分区用来存放Linux系统文件）；
4. /home：从HDD分，文件系统“ext4”，大小为HDD所有剩余空间（该分区用于存放用户文件）；
安装启动器引导器的设备，选择/boot所在的设备.
接下来我们继续后续安装，设置地区、键盘布局、用户名、密码等；
这样，我们就完成了Ubuntu18.04 LTS的安装.

深度学习开发环境配置

Anaconda + Pycharm + Nvidia driver + CUDA + cuDNN + Tensorflow-gpu + Keras安装

一、Anaconda安装

此处我们安装Python3.6版本的Anaconda，下载地址：

https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.2.0-Linux-x86_64.sh

在终端中输入以下指令，打开下载目录并安装Pycharm：
```
cd ~/Downloads
sudo bash Anaconda3-5.2.0-Linux-x86_64.sh
```
在安装的过程中，可以选择安装路径.

通常情况下会问你是否将anaconda安装路径加入到环境变量（.bashrc)中，输入yes，默认的是no，请输入yes.

若没有添加，则在终端中输入：
```
sudo vi /etc/profile
```
打开profile文件，输入：
```
export PATH=”/home/qk/anaconda3/bin:$PATH”
```
其中/home/qk/programme/anaconda3为我的安装路径，保存并退出；然后输入source /etc/profile 更新环境变量.
安装完成后，可输入conda --version检查安装是否正确，输入conda list可查询安装了哪些库，如numpy，pandas等.

二、安装Nvidia dirver

在Ubuntu中，可在系统设置->软件更新->附加驱动中直接找到可使用的显卡驱动，应用更改并重启；

输入nvidia-smi检查安装，查看驱动版本：

三、CUDA安装

下载CUDA的安装包：

在下载前，先根据此图片查看可安装的版本，注意驱动版本要大于其要求的最低版本.

注意，由于一些未知原因，Tensorflow安装后表示无法找到libcublas.so.9.0文件，因此我选择安装CUDA9.0版本来解决此问题.

下载地址：https://developer.nvidia.com/cuda-downloads

下载相应系统版本的CUDA安装文件，Ubuntu18.04请选择17.04版本的CUDA，注意选择runfile格式的安装包.

在终端中打开该文件的下载地址，输入如下指令后后开始安装
```
sudo chmod +x cuda_9.0.176_384.81_linux.run
sudo sh ./cuda_9.0.176_384.81_linux.run --override
```
请注意安装过程中，无需再安装显卡驱动.
若安装结果出现：

Missing recommended library: libGLU.so

Missing recommended library: libXmu.so

Missing recommended library: libGL.so

等，原因是缺少相关的依赖库，安装相应库就解决了.

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

安装完成后，配置环境变量，在终端中输入：
```
sudo vi /etc/profile
```
在结尾加上：
```
export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
```
其中/usr/local/cuda-9.0是我的cuda安装路径，若有不同请改为自己的安装路径. 最后，在终端中输入source /etc/profile更新环境变量.
（保险措施）部分同学表示导入tensorflow时出现错误：ImportError:libcublas.so.9.0: cannot open shared object file: No such file or directory，可通过另一个方式配置环境变量，在终端中输入：
```
sudo vi ～/.bashrc
```
在结尾加上：
```
export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64/
```
最后，在终端中输入source ～/.bashrc更新环境变量.
验证安装，在终端中输入：
```
nvcc -V
```
若显示如下结果则表明安装成功：

四、安装cuDNN

下载cuDNN安装包：

下载前需要先注册Nvidia开发者，然后勾选同意，根据你的CUDA版本选择你要安装的cuDNN安装包.

以下为官方文档的安装方式，将解压后的文件复制到CUDA的安装目录的文件夹中：

tar -xzvf cudnn-9.0-linux-x64-v7.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda-9.0/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64

五、安装 GPU 版本的 tensorflow 和 keras

Anaconda自带pip，可直接在终端中输入：

pip install --user tensorflow-gpu keras -i http://pypi.mirrors.ustc.edu.cn/simple --trusted-host pypi.mirrors.ustc.edu.cn

安装后显示：

验证安装：

终端中进入Python，导入Keras包；

显示Using TensorFlow backend ，表明TensorFlow和Keras安装成功.

六、Pycharm安装及配置：

此处我们安装带Python3.6版本Pycharm，下载地址：

https://download.jetbrains.8686c.com/python/pycharm-community-2018.1.4.tar.gz

在终端中输入以下指令，打开下载目录并解压：
```
cd ~/Downloads
tar -xvzf pycharm-community-2018.1.4.tar.gz -C ~ 
# ~即为文件解压路径
```
这里-C后面的~即为文件解压路径，可以自己选择，此处为解压到/home/qk/programme下.
进入文件解压目录，输入以下命令，进入 PyCharm 目录：
```
cd /home/qk/programme/pycharm-community-2018.1.4/bin
```
最后，运行下面命令来运行Pycharm：
```
sh pycharm.sh &
```

改变Pycharm解释器为Anaconda python解释器：

新建一个项目，假设名为temp，以此为例，选择：

File—Setting—Project:temp—Project Interpreter—Add

点击Existing environment，选择路径为：

/home/qk/anaconda3/bin/python3.6

在Pycharm环境变量中添加cuda路径：

点击Run—Edit Configurations

点击Defaults—Environment variables—…

将cuda的目录添加到环境变量中：

Destiny_In_Fate

关注

8
点赞
踩
53

收藏

觉得还不错? 一键收藏
1
评论
Ubuntu安装及深度学习开发环境配置教程

前言先前一直在捣鼓如何配置Linux下深度学习环境，中间遇到各种坑，光是装Linux系统就试了3个版本，装了十几次，搭建环境时遇到的错误也千奇百怪。本文为多次搭建后总结经验而成，较系统地完成了Ubuntu安装及深度学习开发环境配置的教程。11月18日更新：之前Pycharm无法导入tensorflow，报错结果是：ImportError: libcublas.so.9.0: canno...
复制链接

扫一扫