Ubuntu16.04 安装显卡驱动 + CUDA + cuDNN + Tensorflow-gpu + Keras + PyCharm

最新推荐文章于 2024-05-06 22:29:11 发布

wjh_test

最新推荐文章于 2024-05-06 22:29:11 发布

阅读量1.8k

点赞数 1

分类专栏： Tensorflow Ubuntu 文章标签：深度学习 tensorflow cuda ubuntu

本文链接：https://blog.csdn.net/qq_42699580/article/details/104342432

版权

Tensorflow 同时被 2 个专栏收录

8 篇文章 0 订阅

订阅专栏

Ubuntu

8 篇文章 1 订阅

订阅专栏

在Ubuntu16.04上安装显卡驱动 + CUDA + cuDNN + Tensorflow-gpu + Keras + PyCharm，目的是为了深度学习所用，博主参考了众多资料，最终成功将所有软件安装完毕，且能成功运行使用，因而写下该篇安装教程，供借鉴参考。

前期说明

1、虚拟机使用 CUDA 问题

CUDA需要使用电脑的物理显卡，而在某些虚拟机中无法调用本机的物理显卡，仅能使用其提供的虚拟显卡，因此无法使用CUDA，例如VMware，但也有某些虚拟机能够使用电脑的物理显卡，不过，虚拟机的性能相对较低，对后期实验的效率有较大影响，推荐使用本身系统为Ubuntu的电脑或安装双系统使用。博主的另一篇博文 Windows系统下，Ubuntu安装至移动硬盘（简单分析与详细安装教程）提供了在移动硬盘中安装Ubuntu系统的方法，若有需要，可以借鉴。

2、版本问题

虽然许多博客都有强调 CUDA 与 cuDNN 或与 Tensorflow 需要对应版本的问题，但经博主安装后发现，不仅仅是这三个软件需要安装对应版本，显卡驱动、CUDA、cuDNN、Tensorflow-gpu、Keras、Python、GCC 这7类都必须实现版本一一对应，否则会产生一系列似是而非的错误。具体的版本对应，博主会在本教程中列出。

3、检查电脑配置

某些博客在安装之前都强调需要检查自己电脑的一些配置，例如显卡为单显卡还是双显卡、显卡种类是否符合安装要求等。其实不同的安装方法对这些配置的要求并不相同，但以防万一，检查配置总是万无一失的。

检查显卡配置可参考：Ubuntu如何正确地切换Intel和Nvidia显卡
若上方的网址未有响应，可使用该网址：Ubuntu如何正确地切换Intel和Nvidia显卡

在终端中可使用以下命令查看电脑中有哪些显卡：

lspci -k | grep -A 2 -i "VGA"

博主个人认为该条命令无法查看电脑中的全部显卡，例如博主在终端执行该命令后的结果如下图，图中显示了Intel显卡，但博主电脑中的Nvidia显卡没有显示，但不排除博主将Nvidia显卡关闭了所以无法显示的情况。

在这里插入图片描述
若与博主出现以上相同的情况也无需担心，可使用以下命令查看电脑中是否有Nvidia显卡：

lspci | grep -i nvidia

该命令将会显示出电脑可使用的Nvidia显卡的简单信息，例如博主的：

在这里插入图片描述
而后可通过CUDA官网提供的方法，检查你的显卡能否支持CUDA的使用，官网网址：Frequently Asked Questions（将滚动条拉到最底，在该页面下方有相关回答）

在安装过程中还有其他需要查看的配置，会在而后的教程中说明，Nvidia显卡的支持保证了能否使用CUDA，如果连该条件都无法满足，也无需查看其他配置了。

4、Anaconda图形界面一站式安装

博主查阅许多资料，发现有提供 Anaconda 图形界面自动安装CUDA+cuDNN+Tensorflow的方法，博主也尝试过该方法，但不知是博主的Anaconda图形界面安装有问题，还是其他的原因，在正式安装前，Anaconda会显示将自动安装的CUDA与cuDNN版本信息，博主无论安装任何版本的Tensorflow，CUDA与cuDNN的版本都是不正确的，所以博主最终放弃了这种方法，如果有想尝试的同僚可以参考：Ubuntu搭建TensorFlow GPU环境——无错详细完整版

版本对照

在安装之前，请确定显卡驱动、CUDA、cuDNN、Tensorflow-gpu、Keras、Python、GCC的版本，最好记录在TXT文件中，防止版本安装错误，卸载重装的问题！！！

对于CUDA、cuDNN、Tensorflow-gpu、Python、GCC的版本，Tensorflow的官网提供了部分对照版本：经过测试的构建配置（将滚动条拉到最底，在该页面下方有相关表格，博主直接将其截取了一份）
在这里插入图片描述 CUDA与cuDNN的版本某些仅显示了一个整数，例如cuDNN版本为7，但实际上7.4版本的cuDNN也是支持的，在cuDNN的官网中提供了某些版本的对应下载选项（官网网址：cuDNN Archive）

在某些博客中也提供了官网未提供的其他对应版本，这里就不一一写出，需要的同僚可以自行搜索。

显卡驱动的版本是与CUDA版本对应的，在Nvidia的官网中提供了对应版本（官网网址：CUDA Toolkit and Compatible Driver Versions，拉动滚动条，可找到对应的表格，博主直接将其截取了一份）
在这里插入图片描述显卡驱动的版本号对于不太熟悉的同僚可能会觉得有点奇怪，对于该教程而言，只需记下版本的编号，代表的含义可以不用理会

Keras的版本与Tensorflow和Python相关，博主找到了一个网址，提供了其对应的关系（网址：Environments，因提供的表格内容过多，博主仅截取了一部分内容）
在这里插入图片描述
在安装之前一定要确定配置的各个版本，Python的版本博主推荐3.6，该版本也是博主安装教程中使用的版本

安装教程

该安装教程手动安装了对应的显卡驱动，博主尝试过通过CUDA自动安装对应的驱动，但没有成功，据说是因为博主的电脑是双显卡导致（Intel显卡与Nvidia显卡），既然如此，手动安装显卡驱动的成功率与受众范围应该会更符合当下需求。

CUDA的官网其实有提供安装CUDA的详细方法，但官网的安装方法主要基于CUDA自动安装显卡驱动，而本教程的安装方法实则手动安装显卡驱动，若按照本教程的方法安装失败，可参考官网的安装教程，具体网址与推荐博文会在本教程中的“安装CUDA”部分给出。安装之前，建议多查阅几篇不同的安装教程，选择最适合自己的方法。

换源

该步骤的目的是为下载显卡驱动做好准备，若不换源，显卡驱动将下载得特别特别特别慢！！！

1、备份源，将sources.list备份到sources.list.bak

cd /etc/apt/
sudo cp sources.list sources.list.bak

2、换源，换成阿里云源，打开sources.list文件后，直接将以下的阿里云源替换原本文件的全部内容

sudo gedit sources.list

阿里云源：

# deb cdrom:[Ubuntu 16.04 LTS _Xenial Xerus_ - Release amd64 (20160420.1)]/ xenial main restricted
deb-src http://archive.ubuntu.com/ubuntu xenial main restricted #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-updates main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates universe
deb http://mirrors.aliyun.com/ubuntu/ xenial multiverse
deb http://mirrors.aliyun.com/ubuntu/ xenial-updates multiverse
deb http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-backports main restricted universe multiverse #Added by software-properties
deb http://archive.canonical.com/ubuntu xenial partner
deb-src http://archive.canonical.com/ubuntu xenial partner
deb http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted
deb-src http://mirrors.aliyun.com/ubuntu/ xenial-security main restricted multiverse universe #Added by software-properties
deb http://mirrors.aliyun.com/ubuntu/ xenial-security universe
deb http://mirrors.aliyun.com/ubuntu/ xenial-security multiverse

3、保存并关闭sources.list文件后，使用以下命令更新源

sudo apt-get update

4、查看源的更新情况，在Ubuntu系统最上方的菜单栏的最右侧，有个关机按钮，选中其中的“系统设置…”，在弹出界面的“系统”中选中“软件和更新”，在最新的弹出界面中可查看目前使用的源地址

在这里插入图片描述

安装显卡驱动

安装显卡驱动的方式共有三种：
（1）使用Ubuntu自带的驱动进行安装
（2）使用PPA源进行安装
（3）使用官方的Nvidia驱动包进行手动安装

由于Ubuntu自带的驱动可能不满足所需，而官方的Nvidia驱动包安装过于复杂，容易出错，因此本教程选择使用PPA源的安装方法，精简显卡驱动的安装过程。若采用本教程的方法未能成功安装显卡驱动，可自行搜索使用官方的Nvidia驱动包进行手动安装的复杂方法。

1、禁用 Nouveau，防止显卡驱动安装完毕，电脑重启后循环停留在用户登录界面的情况

在终端使用以下命令查看此时nouveau的加载情况，若没有输出，则说明nouveau已被禁用，可跳过该步骤，若有输出，则需要禁用nouveau

lsmod | grep nouveau

在 /etc/modprobe.d 中创建 blacklist-nouveau.conf 文件

sudo vi /etc/modprobe.d/blacklist-nouveau.conf

在 blacklist-nouveau.conf 文件中输入以下内容（键入“i”转成输入模式，将内容输入后，键入“Esc”退出输入模式，而后键入“:wq”保存并退出文件）

blacklist nouveau
options nouveau modeset=0

更新文件

sudo update-initramfs -u

重启

sudo reboot

重启后再次输入以下命令，若无内容输出，则nouveau已被禁用

lsmod | grep nouveau

2、添加PPA源

sudo add-apt-repository ppa:graphics-drivers/ppa

3、更新系统

sudo apt-get update

4、查看可供安装的显卡驱动版本

ubuntu-drivers devices

在这里插入图片描述
也可在系统设置–>软件和更新–>附加驱动中查看

在这里插入图片描述
5、根据版本，安装所需的显卡驱动（xxx代表驱动版本号）

sudo apt-get install nvidia-driver-xxx

也可使用图形化界面，安装所需版本的显卡驱动，选择需要安装的显卡驱动，点击“应用更改”，等待安装完毕

在这里插入图片描述
6、安装完成后，重启电脑

sudo reboot

7、重启后，在终端输入以下命令，查看此时的显卡驱动情况

nvidia-smi

在这里插入图片描述
也可通过系统设置–>详细信息查看此时使用的显卡

在这里插入图片描述

安装 CUDA

安装CUDA之前，需要查看电脑中的某些配置，确保满足条件，能够成功安装CUDA使用，该部分的配置要求在CUDA官网中有提供相关文件，但由于不同版本的CUDA需求的配置并不相同，只有在CUDA官网选定下载的软件包后，才会提供对应版本的安装手册，其中便有提供环境配置的需求表格

CUDA不同版本的安装流程没有差别，只是在一些界面和语言表述方面有细微不同，但不影响安装使用，若对本教程中的某些步骤存有疑惑，可参考官方给出的安装手册

1、下载CUDA软件包

在CUDA官网选择需要下载的CUDA软件包，注意软件包的版本，点击软件包的名称即可进入对应下载页面，官网网址：CUDA Toolkit Archive
在这里插入图片描述
选择软件包的安装平台信息，注意最后的 Installer Type 请选择 runfile，据说以该方式下载，成功率较大，若某一版本的CUDA没有你需要的安装平台可供选择，可以换一版本使用

在这里插入图片描述
安装平台信息选择完毕后，会出现对应的下载按钮，先不将其软件包下载至本地，找到下载信息的下方，会有一段小字，其中的 Installation Guide for Linux 是CUDA官网为该版本的CUDA提供的安装手册，将其打开，查看所需的环境配置（图中提供的是9.0版本的环境配置）
在这里插入图片描述
在终端使用以下命令查看本地Linux系统的版本信息：

uname -m && cat /etc/*release

在这里插入图片描述
查看Kernel信息：

uname -r

在这里插入图片描述
查看GCC信息：

gcc --version

在这里插入图片描述
查看GLIBC信息：

ldd --version

在这里插入图片描述
若CUDA的环境配置符合要求，即可下载对应的软件包，若某配置不符合要求，可以换一版本的CUDA下载，或是查看官方安装手册，解决问题

下载CUDA软件包，可能出现两种形式，一种直接提供了 Download 按钮以供下载，另一种仅提供了两行命令进行下载

在这里插入图片描述

若是提供了 Download 按钮，可直接下载，保存到自己能够找到的位置，若是提供了两行命令，则需打开Ubuntu系统的文件管理器（下图为Ubuntu系统的文件管理器可执行图标），选择你想保存文件的位置，在该位置鼠标右键打开终端，输入整行的 wget 命令，下载软件包，而另一条安装命令先暂时忽略它
在这里插入图片描述
成功下载好CUDA软件包后，需要检查其序列和，保证该软件包下载正确，使用以下命令可检查其序列和，若无报错，则该软件包可用，若报错，则需重新下载该软件包（其中 xxx 是你所下的软件包的名称补充位）

md5sum cuda_xxx.run

2、安装CUDA

该步骤需要脱离图形界面，使用命令行界面安装CUDA，因此，建议将该教程转移至智能手机或平板中查看，以防步骤错误，导致安装失败

为了命令行界面的安装方便，建议将下载的CUDA软件包，即 .run 文件移动到 “Home” 所在，如下图所示的位置，或是记住该软件包根目录起始的路径，同时可将该软件包更名，以便记忆输入

在这里插入图片描述
若设有自动登录的用户，请先关闭自动登录，可在系统设置–>用户账户中关闭，而后重启电脑，在需要输入密码的登录界面中，键入 Ctrl + Alt + F1 ，进入命令行界面，不要直接输入密码登录图形界面，若登入图形界面，请重启电脑在登录界面进入命令行界面

在这里插入图片描述
进入命令行界面后，根据提示，输入用户名与密码，登录用户，而后根据以下步骤完成CUDA的安装：

（1）关闭图形化界面

sudo service lightdm stop

（2）执行安装命令，若将CUDA软件包移动至 “Home” 所在，则无需添加软件包路径，直接输入安装命令即可，若未移动软件包，则需添加该软件包所在路径（其中 xxx 是CUDA软件包的名称，添加路径需要在名称前添加，例如 sudo sh /home/wjh/xxx.run ）

sudo sh xxx.run

（3）按照提示安装CUDA，不同版本的CUDA安装的提示可能不同，注意以下几点，基本能够成功安装：

某些版本会在安装之前显示一堆的服务条款，此时按回车可继续服务条款的阅读，请注意服务条款结束的时机，防止回车默认安装的输入

请注意安装提示要求的输入，可能提示输入 accept ，可能提示输入 yes 等，一定要看清输入的要求

某些版本的CUDA会询问安装的内容，因本教程已安装显卡驱动，若询问是否安装 Driver（驱动） 或是 openGL ，一定一定一定要选择 no ，某些版本在安装之前提供了安装选项，而不是一步步地询问安装内容，在选择的时候一定不要选择安装 Driver（驱动） 或是 openGL

CUDA的安装过程会询问某一内容安装的位置，可根据提示，回车默认安装位置，或是自行输入安装的位置

若CUDA安装成功，在最后会提示 successed 或 installed ，若安装失败，则会提示 failed ，通常在每一安装内容之后，都会有对应的提示，若其中有某一内容提示安装失败，此CUDA都无法使用，此时可根据安装最后显示的卸载命令，在命令行界面中将CUDA卸载重装

（4）安装成功后，重新启动图形化界面

sudo service lightdm start

（5）若输入以上命令没有跳转图形化界面，则键入 Ctrl + Alt + F7 手动返回图形化界面，而后输入用户密码，登录用户，若成功进入桌面，则CUDA安装成功，若循环停留在用户登录界面，请重新进入命令行界面，将安装的CUDA卸载重装

3、设置环境变量

（1）.bashrc 文件设置

在终端输入以下命令，打开 .bashrc 文件

sudo vim ~/.bashrc

在 .bashrc 文件末尾添加以下内容，若是安装CUDA时安装位置都设为默认，则路径不变，否则需要根据自己的情况修改路径

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda

以上的export内容是博主查看他人博客添加的，事实上添加以上的内容还存有一定的错误，博主最终的 .bashrc 文件内容如下：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/lib64
export LD_LIBRARY_PATH=/usr/local/cuda/extras/CUPTI/lib64:$LD_LIBRARY_PATH

配置生效

source ~/.bashrc

（2）/etc/profile 文件设置

在终端输入以下命令，打开 /etc/profile 文件

sudo gedit /etc/profile

在 /etc/profile 文件末尾添加以下内容，若是安装CUDA时安装位置都设为默认，则路径不变，否则需要根据自己的情况修改路径，其中 cuda-9.0 需要根据自己的文件名进行修改

export PATH=/usr/local/cuda-9.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64$LD_LIBRARY_PATH

输入完毕，保存文件，关闭文件后重启电脑

4、测试CUDA

查看CUDA

nvcc --version

在这里插入图片描述
CUDA安装完毕后，自带有用于测试的例子，默认存放于 “Home”

在这里插入图片描述
进入该Samples文件，鼠标右键打开终端，向终端输入以下命令，编译测试代码

make

若编译成功，会提示 Finished building CUDA samples

在这里插入图片描述
编译完成后，在终端输入以下命令，进入Samples中的 bin/x86_64/linux/release 文件夹

cd bin/x86_64/linux/release

而后执行编译好的可执行文件

./deviceQuery

若最终结果为 PASS ，则说明测试成功

在这里插入图片描述
同样，继续向终端输入以下命令

./bandwidthTest

若最后结果为 PASS ，则说明测试成功

在这里插入图片描述

安装 cuDNN

可在cuDNN的官网上下载对应版本的cuDNN安装包，官网网址：cuDNN Archive

1、安装cuDNN

cuDNN的安装方法有两种，需要下载不同的安装包：

（1）.tgz 文件安装

该方法仅需下载一个安装包，如图所示
在这里插入图片描述
下载完毕后，进入文件所在位置，解压安装包（其中 xxx 为安装包的补充名称）

tar -xzvf cudnn-xxx.tgz

而后将cuDNN拷贝，放入CUDA对应的文件夹中，并赋予其权限

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

（2）.deb 文件安装

该方法需要下载三个安装包，如下图所示
在这里插入图片描述
分别对这三个安装包执行以下命令进行安装，文件名请自行修改，要注意，必须按以下顺序进行安装，否则会因依赖问题而报错

sudo dpkg -i libcudnn7_7.6.4.38-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.6.4.38-1+cuda9.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.6.4.38-1+cuda9.0_amd64.deb

2、测试cuDNN

选择 .deb 文件安装cuDNN，默认在 “Home” 位置，会安装有cuDNN的测试案例

在这里插入图片描述
进入 samples 文件中的 mnistCUDNN 文件夹下，鼠标右键打开终端

编译文件

make clean && make

编译后执行

./mnistCUDNN

若最后结果显示 Test passed，则说明测试成功

在这里插入图片描述

安装 Tensorflow-gpu

本教程基于 Anaconda3 安装 Tensorflow-gpu，Anaconda3内置可安装Python的不同版本，因此无需特地手动安装Python

1、下载 Anaconda3 安装包，使用清华镜像下载，网址：清华大学开源软件镜像站

2、进入下载安装包所在位置，鼠标右键打开终端，输入以下命令安装Anaconda3（其中 xxx 为你所下载的 Anaconda3 安装包名称）

bash ./xxx.sh

安装 Anaconda3 过程中会有一些提示，除去最后一个询问是否安装VSCode软件可以自行选择，其余提示都输入 yes ，默认Anaconda3安装在 “Home” 位置

3、换源，向终端输入以下命令，添加清华源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

4、创建Python环境，其中 tensorflow-gpu 为创建的环境名称，可自行修改，python=3.6 为该环境依赖的Python版本，可自行修改版本

conda create -n tensorflow-gpu python=3.6

创建环境完成后，会提示激活环境与取消激活的命令，可将这两条命令记录在TXT文件中，以便今后使用

5、激活环境，其中 tensorflow-gpu 为需要激活的环境名称，可自行修改

source activate tensorflow-gpu

6、安装 Tensorflow-gpu，其中 tensorflow-gpu==1.10.0 是Tensorflow-gpu安装的版本，可自行修改版本

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.10.0

7、安装完毕后，可测试Tensorflow-gpu是否安装成功

输入以下命令执行Python

python

输入以下命令导入tensorflow包，回车导入，若无报错，则说明Tensorflow-gpu安装成功

import tensorflow as tf

在这里插入图片描述
8、取消激活，退出环境（退出Python可键入 Ctrl + Z ）

source deactivate

在这里插入图片描述
每次进入Anaconda3提供的Python环境中都需要激活环境，当不再使用该环境时，需要取消激活，再退出环境，如果退出环境后要再次进入环境，需要打开一个新的终端使用，而原本的终端无法再次激活环境

source activate tensorflow-gpu    //激活
source deactivate　　　            //取消激活

安装 Keras

Keras的安装与Tensorflow-gpu的安装类似，都是基于Anaconda3实现

1、打开终端，激活安装有Tensorflow-gpu所在的环境，其中 tensorflow-gpu 为需要激活的环境名称，可自行修改

source activate tensorflow-gpu

2、安装Keras，其中 keras-gpu==2.2.0 为Keras的版本信息，因安装Tensorflow-gpu，故而Keras也需安装GPU版本，版本号可自行修改

pip install keras-gpu==2.2.0

3、安装完毕后，可测试Keras是否安装成功

输入以下命令执行Python

python

输入以下命令导入keras包，回车导入，若仅弹出 Using TensorFlow backend. ，而无报错，则说明Keras安装成功

import keras

在这里插入图片描述
4、取消激活，退出环境（退出Python可键入 Ctrl + Z ）

source deactivate

在这里插入图片描述

设置 PyCharm

Tensorflow-gpu最常使用的语言是Python，使用命令行界面运行Python具有一定的局限性，博主习惯使用PyCharm平台进行Python编程，该部分提供了PyCharm的设置方式，使其能够使用基于Anaconda3的Tensorflow-gpu以及Keras

关于PyCharm的安装，因其较为简单，这里就不再详细说明，官网下载网址：Download PyCharm（Community社区版是免费版本，Professional专业版仅提供一个月的试用期，可参考的博客：Ubuntu 16.04 安装 PyCharm）

安装完毕后，新建项目，而后在最上方菜单栏找到 File --> Settings… --> Project：… --> Project Interpreter，而后点击图中所示的红框中的齿轮按钮，选择 Add…

在这里插入图片描述
而后在弹出的窗口左侧选择 Conda Environment，根据图中提示，先选择 Existing environment，而后点击 “…” 按钮

在这里插入图片描述
选中Anaconda3提供的Python执行文件，博主的可执行文件目录如图所示，其中 tensorflow-gpu 是博主的环境名称，而Python执行文件可能会有三个，分别为 Python、Python3、Python3.6（与版本有关），任选其中一个都可，选择完毕后点击 OK 按钮保存更改，同样在上一级窗口中也点击 OK 按钮保存更改

在这里插入图片描述
在新建的项目中创建一个Python文件，输入以下内容，运行程序，查看其输出（创建Python文件可鼠标右键点击项目文件名，在 New 中选择 Python File 即可，运行程序可在代码输入界面点击鼠标右键，找到 Run ’…’，点击即可运行程序）

import tensorflow as tf
import keras

若最后输出不报错，则说明PyCharm设置成功，可用于编写与Tensorflow-gpu相关的代码

在这里插入图片描述

wjh_test

关注

1
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
Ubuntu16.04 安装显卡驱动 + CUDA + cuDNN + Tensorflow-gpu + Keras + PyCharm

在Ubuntu16.04上安装显卡驱动+CUDA+cuDNN+Tensorflow-gpu+Keras，目的是为了深度学习所用，博主参考了众多资料，最终成功将所有软件安装完毕，且能成功运行使用，因而写下该篇安装教程，供借鉴参考。前期说明CUDA需要使用电脑的物理显卡，而在某些虚拟机中无法调用本机的物理显卡，仅能使用其提供的虚拟显卡，因此无法使用CUDA，例如VMware，但也有某些虚拟机能够使...
复制链接

扫一扫