ARM64+ubuntu18.04深度学习环境安装小结

最新推荐文章于 2024-05-18 19:01:37 发布
最新推荐文章于 2024-05-18 19:01:37 发布
阅读量1.4w 收藏 46
点赞数 6
分类专栏： python 环境配置 嵌入式深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yuanlulu/article/details/81607252
版权
DL/ML/AI 同时被 3 个专栏收录
88 篇文章 6 订阅
订阅专栏
python
65 篇文章 4 订阅
订阅专栏
机器学习
59 篇文章 6 订阅
订阅专栏

概述

本人断断续续花费了两周时间，在某国产ARM64+linux环境的服务器上，使用docker容器安装成功了公司深度学习项目所需的环境。中间过程坎坷，在此结文以记，希望能对他人有所帮助，少踩坑。

目前成功搭建的环境如下：aarch64 docker容器，ubuntu18.04, python2, opencv3.3, dlib19.15, tensorflow1.5, sklearn。

上述组件均是python绑定的版本。

环境描述

硬件环境为国产ARM64多核处理器，内存及磁盘均是x84服务器的水平，所以不像树莓派一样需要担心内存或磁盘。操作系统为类linux 64位，可以安装docker，所以我的环境安装均在docker容器内进行，没有在物理机上安装，也是怕来回安装搞坏host系统。

我需要的是python的运行环境，由于arm服务器不普及，所以网上很多安装c++版本的方法，并不适用我的环境，中间费了我很多时间。由于配置给力，编译时间上和x86服务器差别不大，最终使用cpu前向推理的时间，与x86的cpu在同一数量级，完全可以作为生产环境使用。

docker镜像

提前有人在物理机上安装好了docker环境，所以我没有涉及安装docker本身的过程，只是涉及选取docker镜像的问题。

由于ARM和x86指令集的差异，x86的docker镜像不能直接运行在ARM服务器上，部门之前用于生产的x86 docker镜像没法使用。我自己不是docker专家，没有从0搭建docker镜像的经验，所以从网上下载现成的基础镜像。

在命令行上搜索arm64镜像的方法为：

docker search arm64

也可以把arm64换成其他字符，搜索想要的镜像。可以从搜索结果中看到已经有很多ARM64的docker镜像可选了，完全可以选择下来然后再安装自己的东西。

命令行显示的结果比较少，也可以到这个网站上去搜索：https://hub.docker.com/

搜索结果和命令行基本一致，但是可以翻页，可以用空格隔开多个关键字搜索，还看到每个镜像更详细的信息，比如tag等信息。

我最终选择的版本是arm64v8/ubuntu:18.04。拉取的方法如下：

docker pull arm64v8/ubuntu:18.04

然后用docker images就可以看到拉到本地的镜像啦。刚拉下来的镜像大小只有几百兆，可以run起来以后在里面安装自己的环境了，剩下的就是在ubuntu下的操作。

我刚开始用的并不是ubuntu18.04，还试过debian和ubuntu16.04， 但是有环境不兼容等各种坑，全部组件安装成功的就是18.04版本。

使用国内软件源

ubuntu系统下安装软件需要配置好软件源。由于众所周知的原因，国内访问一些境外网站往往连接失败或者速度很慢，所以需要配置国内的镜像源地址。国内中科大和清华的软件源镜像都很快。我使用的是中科大的。

更换源的方式是编辑/etc/apt/sources.list,把里面的url地址替换为：http://mirrors.ustc.edu.cn/ubuntu-ports/。

然后更新本地软件目录：

apt-get update

各个组件的安装过程

本节内容记录最终走通的方法和对应版本，中间无数次失败的经验按下不表。

使用apt-get 安装python、python-dev、python-pip都是小菜一碟，不费口舌了。我选择的python2.7，其它版本应该与之类似。

dlib

dlib是从源码编译安装的，在ubuntu16.04和debian上总有问题，最终在ubunut18.04上成功。

准备工作：

apt-get update
apt-get install python
apt-get install python-pip
apt-get install pkg-config
apt-get install libopenblas-dev liblapack-dev
apt-get install cmake
apt-get install libboost-all-dev

在dlib19.15源码目录下，执行python setup.py install

打开python2， import dlib成功

opencv

opencv选择的是3.3版本。从源码编译安装。
编译技巧是，把’源码目录/modules’下的dnn、highgui和videoio删掉。这几个模块总是会找不到头文件和一些链接符号。videoio负责读取视频，删掉后无法从视频抽帧，刚好项目上用不到，所以对我没影响。

编译过程可参考这里：https://www.pyimagesearch.com/2018/05/28/ubuntu-18-04-how-to-install-opencv/

当然，完全照搬别人的方法可能会失败。要灵活变通。
我看了好几个方法，把相关软件包都安装上了。我安装软件包的命令包括下面这些：

pip install pkg-config
apt-get install libsm6
apt-get install libxrender1
apt-get install libxext-dev

apt-get install build-essential
apt-get install python-dev
apt-get install libgtk2.0-dev
apt-get install libx11-dev
apt-get install libavcodec-dev libavformat-dev libswscale-dev
apt-get install libtbb2 libtbb-dev
apt-get install libjpeg-dev libpng-dev
apt-get install libtiff-dev
apt-get install libdc1394-22-dev

apt install gphoto2 libgphoto2*
apt-get install libgstreamer1.0-0 gstreamer1.0-plugins-base gstreamer1.0-plugins-good

apt-get install libv4l-dev
apt-get install libxvidcore-dev libx264-dev
apt-get install libgtk-3-dev
apt-get install libatlas-base-dev gfortran
apt-get install libxvidcore-dev libx264-dev

pip install -i  http://mirrors.aliyun.com/pypi/simple/ numpy --trusted-host  mirrors.aliyun.com

上面是准备工作，下面才是正式开始编译：

mkdir build
cd build
cmake -D CMAKE_BUILD_TYPE=RELEASE -D CMAKE_INSTALL_PREFIX=/usr/local  -D INSTALL_C_EXAMPLES=OFF  -D INSTALL_PYTHON_EXAMPLES=ON   -D BUILD_EXAMPLES=ON  -D PYTHON_EXECUTABLE=/usr/bin/python  -D PYTHON_NUMPY_INCLUDE_DIRS=/usr/local/lib/python2.7/dist-packages/numpy/core/include/  ..

(去掉videoio和dnn、highgui)
make -j8
make install

启动python, import cv2 成功。

当然，如果需要完整版本的python-opencv又不想自己折腾，可以去https://hub.docker.com/搜索arm64版本的python-opencv镜像，那里有一个别人构建好的完整的版本。

tensorflow

github上已经有人把arm64版本的tensorflow编译好了，下载地址在：https://github.com/lhelontra/tensorflow-on-arm/releases 。除了arm64，那里还有其它arm版本的安装包。

在ubuntu18.04上，1.3版本的有些问题，最终使用1.5版本的运行模型成功。

下载完whl文件后，安装命令是：

pip install -i  http://mirrors.aliyun.com/pypi/simple/  tensorflow-1.5.0-cp27-none-linux_aarch64.whl --trusted-host  mirrors.aliyun.com

这里之所以把阿里的python源url加进去，是因为安装过程还需要下载一些依赖包，从国外下载太慢。

其它

为了加速下载，pip安装时我一般手动指定阿里的python源：

pip install -i  http://mirrors.aliyun.com/pypi/simple/  软件包名 --trusted-host  mirrors.aliyun.com

像sklearn等其它python组件就可以这么安装。如果下载的python包包含二进制文件不适合arm架构，pip会自动失败。能成功pip安装的运行起来就没问题。

那些年，那些坑

这一小节记录一下自己采坑的过程。

tensorflow的坑

  • 成功结果：ubuntu18.04 + tf1.5
  • 失败的尝试：ubuntu18.04 + tf1.3， ubuntu16.04 + tf1.5/1.7

我试着编译tensorflow，结果半途而费，没走下去。最终还是选择从：https://github.com/lhelontra/tensorflow-on-arm/releases 下载预先构建好的安装包。

刚开始在ubuntu16.04上安装，tf1.7和tf1.5都依赖于比较新的c++标准库，现象就是在安装时没有报错，import的时候找不到依赖的库版本。
。

可是在16.04上死活升不上去，后来换成tf1.3才终于不再报错。

坑爹的是在ubuntu16.04上dlib总是出错，不得已换成ubuntu18.04。这会dlib不出错了，import tensorflow的时候也没错误，但是运行程序时出错了，错误为：

2018-08-09 11:57:54,234 [ERROR] [MainThread] [tf_model_pkg2.py:180] tfSession_exception:No OpKernel was registered to support Op 'Switch' with these attrs.  Registered devices: [CPU], Registered kernels:
  device='GPU'; T in [DT_STRING]
  device='GPU'; T in [DT_BOOL]
  device='GPU'; T in [DT_INT32]
  device='GPU'; T in [DT_FLOAT]
  device='CPU'; T in [DT_FLOAT]
  device='CPU'; T in [DT_INT32]

     [[Node: Bottleneck/BatchNorm/cond/Switch = Switch[T=DT_BOOL](phase_train, phase_train)]]

在国外某个论坛上有类似的问题，需要改源码重新编译，由于重新编译也很曲折，我在ubuntu18.04上卸载tf1.3, 重装了tf1.5,才终于解决了问题。

delib的坑

  • 成功的结果：ubuntu18.04 + dlib19.15
  • 失败的尝试：ubuntu16.04 + dlib19.15

一开始在ubuntu16.04上使用pip安装dlib，安装可以成功，但是import的时候会报错：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
ImportError: /usr/local/lib/python2.7/dist-packages/dlib.so: undefined symbol: cblas_ddot

找不到符号，我以为代码编译就好了，结果还是同样的问题。怀疑过dlib版本是不是太新了，也怀疑过python版本，一一尝试都照样失败。

后来试着分析报错信息，在网上找到一个类似的：https://github.com/davisking/dlib/issues/154

我注意到人家运行以下命令是有输出的：

pkg-config --libs cblas

在我的系统上就报错找不到cbals.pc。结合cmake时生成的信息：

-- Searching for BLAS and LAPACK
-- Searching for BLAS and LAPACK
-- Found PkgConfig: /usr/local/bin/pkg-config
-- Checking for module 'cblas'
--   Found cblas, version
-- Checking for module 'lapack'
--   Found lapack, version
-- Found BLAS and LAPACK via pkg-config
.......
-- Looking for cblas_ddot
-- Looking for cblas_ddot - found
-- A library with BLAS API not found. Please specify library location.
-- LAPACK requires BLAS
To compile Boost.Python yourself download boost from boost.org and then go into the boost root folder
--  and run these commands:
--     ./bootstrap.sh --with-libraries=python
--     ./b2
--     sudo ./b2 install

结合上述信息，我推断pkg-config在我下载的那个ubuntu16.04上不能正常工作，无法为cmake脚本找到blas的依赖信息。个人对pkg-config机制也不熟，只能想办法绕过去。

因此，放弃ubuntu16.04,换为ubuntu18.04。果然，在ubuntu18.04上只要安装了openblas，就可以用‘pkg-config –libs cblas’得到相关信息。

最终，ubuntu18.04 + dlib19.15代码编译安装成功，import无错误，简单程序测试没有问题。我想在18.04上应该可以pip安装dlib，应该也不会出错，只是我后来没试。

opencv的坑

  • 成功的结果：opencv3.3去掉dnn、highgui和videoio以后编译安装成功
  • 失败的结果: opencv全代码安装

为了opencv，从操作系统版本、python版本、opencv版本各个组合都试了，都解决不了问题。

首先，pip能安装的opencv版本有python3.4的。但是为了使用找到的预编译的tenorflow,我只能选择python2.7或者python3.5。

opencv的问题首先变现在编译时找不到头文件：

fatal error: gst/gst.h: No such file

其实这个头文件在系统下是有的，就是找不着。这个错误属于videoio模块。如果手动把头文件目录加到CPATH里面然后export，后面highgui也会报几个类似的错误。若都手动把头文件目录加到CPATH里编译通过，安装后import v2会报以下错误：

undefined symbol: _gst_fraction_type

暂时没有性子去分析opencv的cmake规则，就只能先删掉highgui和videoio模块编译，果然没有错误。dnn之所以被删掉，是因为cmake的时候会下载一个很大的caffe模型文件，耽误时间。

其实是可以找到一个python3.4的arm64 opencv安装包的，在这里https://pypi.org/project/opencv-python-aarch64/ 下载

对于ARM64生态的感受

对于Linux+ARM64这个组合来说，已经越来越接近x86了，虽然还有不少的距离。起码在ARM64+ubuntu之下，apt-get可安装的东西非常多，arm64的docker镜像也很多，github上越来越多的人提供arm 版本的pip安装包，对于开发者来说，ARM生态从未这么友好过。

当然差距也很明显，如果在x86上，上面的事估计半天就搞完了，不用把各个变量的版本换来换去，也不会遇到一个问题找不到几个帖子分析。

性能

ARM的CPU性能是个要考虑的问题，特别对于深度学习项目来说。简单测试，同样的代码和模型，在ARM服务器上单次调用时间是x86 cpu的2~3倍。还行吧。

本次环境安装的不足

第一次在ARM生态上安装这么多东西，没有充分挖掘各个软件在ARM上的编译优化选项，目前做的环境版本应该不是最完美的状态，相信还有很多可优化的空间。起码ARM的neon优化、opencl加速等课题我还没探索到，希望后面有机会摸索一下。

yuanlulu
关注
  • 6
    点赞
  • 踩
  • 46
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
ubuntu 18.04 arm64版 安装docker 踩坑
qiangrenpu8881的博客
03-14 8750
一、安装ubuntu 18.04系统 可以参考该系列其他文章 二、安装docker 1.先卸载可能存在的旧版本 apt remove docker docker-engine docker-ce docker.io 2.更新apt包索引 apt update 3.安装以下包以使apt可以通过HTTPS使用存储库 apt install -y apt-transport-https ca-cer...
Ubuntu ARM64 安装 Tensorflow
wangshuai1990的博客
03-30 3725
Compiling Bazel from Source (bootstrapping)You can build Bazel from source without using an existing Bazel binary by doing the following:Ensure that JDK 8, Python, Bash, zip, and the usual C++ build t...
Ubuntu(x86_64)上配置arm64(aarch64)交叉编译环境(cross compile)
最新发布
daqinzl的专栏
05-18 652
Ubuntu(x86_64)上配置arm64(aarch64)交叉编译环境(cross compile),及QT编译生成arm64(aarch64)架构 可执行程序
Ubuntu18.04使用qemu搭建ARM64架构虚拟机(方法二)
525小白菜的博客
08-27 2446
qemu启动“Linux kernel 5.0+buildroot工具构建的根文件系统”定制的Linux系统
ARM64开发板Ubuntu18.04安装docker-compose
qq_43555506的博客
03-28 473
例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考。
基于arm64v8/ubuntu:18.04搭建华为ATLAS软件编译运行环境
u011337602的博客
01-09 1365
之前介绍了x86上搭建arm64代码编译环境的方法 具体如下https://blog.csdn.net/u011337602/article/details/103810657 如果还需要做华为ATLAS的代码工程编译，还需要在容器内添加ATLAS host侧lib库 1、获取Atlas300-ARM-Ubuntu18.04-V2.0.0.102.020.zip包，可以在华为官网上找到，不...
Win 10 + Ubuntu 18.04 双系统安装与深度学习环境配置安装踩坑实录（上篇）
01-09
Win 10 + Ubuntu 18.04 双系统安装与深度学习环境配置安装踩坑实录（上篇） 折腾了两三天总算顺利在电脑上完成了装x的双系统安装，一路走来还比较顺利，主要在ubuntu的显卡设置上躺了不少坑，特此记录 (2020/3/6)。 ...
ubuntu-18.04.5 server arm64+raspi4
05-17
标题“ubuntu-18.04.5 server arm64+raspi4”指的是Ubuntu操作系统的一个特定版本，针对树莓派4（Raspberry Pi 4）的64位（arm64）服务器版。Ubuntu 18.04.5是长期支持（LTS）版本，意味着它将提供长达五年的安全...
ubuntu-18.04.6-server-arm64.iso
06-23
ubuntu-18.04.6-server-arm64.iso ubuntu arm64 aarch64位系统 ubuntu for arm64 ubuntu for aarch64
TurtleBot3-Burger+Ubuntu18.04+Melodic ROS 安装记录
01-06
文章目录一、硬件安装视频&资料硬件效果和三视图二、软件安装和环境搭建流程①PC端部分②Raspberry Pi部分③OpenCR参考链接 一、硬件安装视频&资料 我自己录了个小视频，链接：TurtleBot3-Burger硬件安装记录 萌新...
docker 运行ARM架构64位ubuntu18.04
u012360727的博客
06-26 1612
docker ubuntu arm
armv8 64位系统
10-24
这是一本介绍怎么移植系统的armv8的书籍，比较形象和生动。
ubuntu-aarch64-nim:已安装基于arm64的Ubuntu + Nim的Docker容器
03-18
ubuntu-aarch64-nim 已安装基于arm64的Ubuntu + Nim的Docker容器
ARMv8 （arrch64）pytorch深度学习环境搭建
weixin_44690400的博客
12-05 806
ARMv8（arrch64） pytorch深度学习环境搭建
ubuntu18.04 aarch64下安装docker
karmueo46的博客
03-31 467
该命令将下载并运行Docker的hello-world镜像，如果一切正常，将看到一条消息表明Docker已经成功安装并运行。现在，已经成功在Ubuntu 18.04 aarch64上安装了Docker。
交叉编译----宿主机x86 ubuntu 64位-目标机ARMv8 aarch64
m0_68038554的博客
07-26 958
交叉编译----宿主机x86 ubuntu 64位-目标机ARMv8 aarch64
一、交叉编译工具链-宿主机linux ubuntu 64位-目标机ARMv8 aarch64/系统ubuntu64位
Star__dust的博客
11-01 2925
交叉编译 使用别人做好的交叉编译工具 准备工作： 安装ubuntu（我是虚拟机），写一个helloword，并gcc成可执行程序运行成功 确认你的目标机类型，一定要别弄错了，我的架构是armv8 aarch64，怎么确认的？我问同学的 去下载一个交叉编译工具链 参考链接：link 下载链接：linaro 我下载的是 gcc-linaro-6.3.1-2017.05-x86_64_aarch6...
Ubuntu 19.04安装dlib库imglab(解决libx11-dev等报错)
热门推荐
冷色调的夏天的博客
11-19 1万+
Ubuntu 19.04安装dlib库imglab(解决libx11-dev等报错) dlib这个库虽然说非常强大，但是安装使用起来却非常困难，另外新手在使用dlib库做机器学习深度学习的时候强烈建议不要使用Windows系统，最好使用Mac或者Ubuntu系统(CentOS也最好不要用，到处都是坑)，博主便是一步一步爬过来的。 首先dlib安装参考我前面的博客(Windows的话也可以安装，...
v8 编译 linux,ubuntu16.04 armv8 aarch64_linux_gun 编译qt5.6
weixin_29854481的博客
05-02 332
又开始折腾ubuntu,这次要跑嵌入式,armv8，搭建虚拟环境：开始漫长的摸索1、下载并安装qt-everywhere-opensource-src-5.6.3sudo apt-get install automake autoconf libtool m4sudo apt-get install aarch64-linux-gnu2、进入qt-everywhere-opensource-src...
ubuntu18.04深度学习环境配置
06-28
### 回答1： Ubuntu 18.04深度学习环境配置需要以下步骤： 1. 安装CUDA和cuDNN：CUDA是NVIDIA的GPU加速计算平台，cuDNN是深度神经网络库。首先需要安装CUDA，然后再安装cuDNN。具体安装步骤可以参考官方文档。 2. 安装Python和相关库：Ubuntu 18.04自带Python 3，可以使用apt-get命令安装Python相关库，如numpy、scipy、matplotlib等。 3. 安装深度学习框架：常用的深度学习框架有TensorFlow、PyTorch、Keras等。可以使用pip命令安装。 4. 配置环境变量：需要将CUDA和cuDNN的路径添加到环境变量中，以便深度学习框架能够正确地使用GPU加速。 5. 测试环境：可以使用简单的深度学习模型测试环境是否配置成功。 以上是Ubuntu 18.04深度学习环境配置的基本步骤，具体操作可以参考相关文档和教程。 ### 回答2： Ubuntu18.04是许多深度学习爱好者所喜欢的一种操作系统。Ubuntu18.04不仅稳定可靠，还提供了许多强大的开发工具和编程环境。以下是一些要点和步骤，供您在Ubuntu18.04中配置深度学习环境。 1. 安装Ubuntu18.04 在Ubuntu18.04上安装深度学习环境之前，您需要首先安装Ubuntu18.04操作系统。您可以通过官方网站下载Ubuntu18.04的iso文件，然后将其写入可引导的USB驱动器。 2. 安装NVIDIA驱动程序 NVIDIA驱动程序是深度学习环境配置中最重要的部分，因为它可以提供针对NVIDIA GPU的支持。如何安装NVIDIA驱动程序取决于您的显卡型号。您可以通过以下命令来检查您的显卡型号： $ lspci | grep -i nvidia 如果您的显卡型号是NVIDIA Tesla V100，则可以通过以下命令来下载最新的NVIDIA驱动程序： $ wget http://us.download.nvidia.com/tesla/410.72/nvidia-diag-driver-local-repo-ubuntu1804-410.72_1.0-1_amd64.deb 在安装NVIDIA驱动程序之前，您需要卸载之前安装的任何旧版驱动程序。卸载的命令如下： $ sudo apt-get purge nvidia* 安装新的NVIDIA驱动程序： $ sudo dpkg -i nvidia-diag-driver-local-repo-ubuntu1804-410.72_1.0-1_amd64.deb $ sudo apt-key add /var/nvidia-diag-driver-local-repo-410.72/7fa2af80.pub $ sudo apt-get update $ sudo apt-get install cuda-drivers 3. 安装CUDA和cuDNN 安装了NVIDIA驱动程序后，您可以安装CUDA和cuDNN。CUDA可以为您提供各种各样的计算和优化库，用于构建深度学习模型。cuDNN是一个加速深度神经网络的库。以下是安装CUDA的步骤： $ wget https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64 $ sudo dpkg -i cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb $ sudo apt-key add /var/cuda-repo-10-0-local-10.0.130-410.48/7fa2af80.pub $ sudo apt-get update $ sudo apt-get install cuda 安装cuDNN： $ tar -xzvf cudnn-9.0-linux-x64-v7.tgz $ sudo cp -P cuda/include/cudnn.h /usr/local/cuda-9.0/include $ sudo cp -P cuda/lib64/libcudnn* /usr/local/cuda-9.0/lib64/ $ sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h /usr/local/cuda-9.0/lib64/libcudnn* 4. 安装Python和深度学习框架 Python是深度学习环境中使用的主要编程语言。您可以使用以下命令安装Python3： $ sudo apt-get install python3 深度学习框架是实现深度学习算法和模型的库。许多流行的深度学习框架，例如TensorFlow、PyTorch和Keras，都可以在Ubuntu18.04上进行安装和配置。以下是安装TensorFlow的步骤： $ sudo apt-get install python3-pip python3-dev python-virtualenv $ virtualenv --system-site-packages tensorflow $ source tensorflow/bin/activate (tensorflow) $ pip install --upgrade pip (tensorflow) $ pip install --user tensorflow-gpu 5. 训练深度学习模型 当您完成深度学习环境的配置后，可以开始训练深度学习模型。您可以使用自己的数据集或公共数据集来训练模型。以下是使用TensorFlow训练模型的示例代码： import tensorflow as tf from tensorflow import keras (train_images, train_labels), (test_images, test_labels) = keras.datasets.mnist.load_data() train_images = train_images.astype('float32') / 255 test_images = test_images.astype('float32') / 255 model = keras.Sequential([ keras.layers.Flatten(input_shape=(28, 28)), keras.layers.Dense(128, activation='relu'), keras.layers.Dense(10, activation='softmax') ]) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(train_images, train_labels, epochs=5) 您可以通过运行该命令训练模型： (tensorflow) $ python train_model.py 在完成训练后，您可以通过以下命令保存模型： model.save('my_model.h5') 6. 总结 Ubuntu18.04是一种出色的操作系统，适用于深度学习环境的配置。在配置深度学习环境之前，您需要安装NVIDIA驱动程序、CUDA和cuDNN。然后，您可以安装Python和深度学习框架，例如TensorFlow。在配置完环境之后，您可以使用您自己的数据或公共数据集训练深度学习模型。 ### 回答3： Ubuntu 18.04 作为当前最流行的开源操作系统，广泛应用于深度学习领域。它提供了很好的性能和稳定性，同时也支持广泛的深度学习框架和工具库，如 Keras、TensorFlow、PyTorch 和 OpenCV 等。下面是配置 Ubuntu 18.04 深度学习环境的基本步骤： 1. 确保 Ubuntu 18.04 正确安装和升级： 首先，确保 Ubuntu 18.04 正确安装和升级到最新版本。您可以使用以下命令升级您的操作系统： sudo apt-get update sudo apt-get upgrade 2. 安装 Anaconda 3： Anaconda 是一个广泛使用的 Python 数据科学和机器学习平台，它为用户提供了方便的包管理和环境管理工具。您可以使用以下命令下载并安装 Anaconda： wget https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh bash Anaconda3-2019.07-Linux-x86_64.sh 在安装过程中，按照屏幕上的提示进行操作。一旦安装完成，您需要从终端中运行以下命令将 Anaconda 添加到系统路径： export PATH=/root/anaconda3/bin:$PATH 3. 安装深度学习框架： 安装深度学习框架需要在 Anaconda 中创建一个新的虚拟环境，并安装相应的包，例如 TensorFlow 或 PyTorch。以下是以 TensorFlow 为例的样例代码： conda create -n tensorflow python=3.6 conda activate tensorflow conda install tensorflow-gpu 用类似的方式可以安装其他深度学习框架，如 PyTorch 等。 4. 安装和配置 GPU 驱动程序： 如果您的系统安装了 GPU，则需要安装相应的 GPU 驱动程序和 CUDA 工具包以获得更好的性能。以下是安装 GPU 驱动程序和 CUDA 工具包的样例代码： sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update sudo apt-get install nvidia-driver-430 sudo apt install nvidia-cuda-toolkit 5. 安装图像处理库： 在深度学习中需要加载和处理图像，在 Ubuntu18.04 中可用的图像处理库包括 OpenCV 和 Pillow。以下是样例代码： conda install opencv conda install Pillow 在完成这些步骤之后，您的 Ubuntu 18.04 系统就具备了基本的深度学习环境。您可以按照框架和工具库的具体要求进行配置和设置，以进行更高级的深度学习任务。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值