服务器安装Tensorflow-GPU

Tensorflow-GPU版本安装与使用

目前在服务器上已经部署了Tensorflow-GPU-1.12版本（最新为1.14），且已经测试通过,具体的安装以及使用的步骤如下：

Step0: 安装服务器显卡驱动。服务器显卡有可能是没有打上的，可以通过nvidia-smi命令进行测试，如果没有显示或者显示异常，那就是驱动安装有误，需要根据显卡的型号去英伟达官网下载对应的显卡驱动，安装完成即可；以下是正常情况：

没有显卡驱动是真的坑爹！！！

 

以下开始才算是真正意义上的安装Tensorflow-GPU：

 

Step1：安装cuda; cuda从英伟达官网下载，下载过程需要根据自己的需求下载对应的版本。各个版本的cuda下载链接为：

https://developer.nvidia.com/cuda-toolkit-archive

目前在服务器上，已经安装的cuda版本为9.0，安装权限为root，安装路径为/usr/local/cuda:

安装之后，需要将cuda的安装路径添加到环境变量中；由于没有root权限，无法修改/etc/profile,目前只在用户目录下修改.bashrc文件，文件末尾添加内容如下：

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/extras/CUPTI/lib64

需要根据自己的安装路径修改对应的内容；

 

Step2:安装 cudnn；从英伟达官网下载，下载过程需要根据自己所安装的cuda版本进行对应，切记要对应！各个版本的cudnn的下载链接为：

https://developer.nvidia.com/rdp/form/cudnn-download-survey

下载需要英伟达账号，自行注册即可。下载后可以将之移动到与cuda相同目录下，如上图所示。执行tar –zxvf cudnn-xxx.tgz 命令解压缩即可。解压缩之后，cudnn中所带的内容会自动加载到cuda的lib库中。只要版本对应上就好，这边不会出问题。

 

Step3:此时开始安装GPU版本Tensorflow；当前我们的所有环境版本如下：cuda9.0+cudnn9.0+Tensorflow-GPU1.12

在windows环境下，从pypi（https://pypi.org/project）上根据系统环境下载所需版本的Tensorflow-GPU，然后上传到服务器上。执行pip install tensorflow-gpu-xxx-xxx-whl 命令就可以完成安装；安装过程可能会出现各种依赖库的缺失，再去pypi下下载对应的依赖即可，安装完所有依赖即可。

 

Step4：测试Tensorflow-GPU安装成功。python执行如下，显示正常就安装成功：

>>import tensorflow as tf

>>sess = tf.Session(config=tf.ConfigProto (allow_soft_placement=True, log_device_placement=True))

上图就能够看出显卡的可用情况等，一切正常。