Ubuntu 18.04 LTS+GTX1080Ti+CUDA10.0 深度學習主機環境搭建

前言

由于之前的主機存在運作docker自動重新開機的問題，跑模型沒問題，排查之後沒有發現問題所在，是以最後決定更新技嘉主機闆的bios并重新安裝系統和環境。

1 硬體環境

顯示卡：GTX1080Ti

記憶體：32G

硬碟：256G SSD+1T機械

2 安裝Ubuntu 18.04 LTS

2.1 下載下傳官方鏡像

下載下傳位址：

Download Ubuntu Desktop | Download | Ubuntu

​

ubuntu.com

2.2 制作USB啟動盤

使用Refus燒錄鏡像到U盤，Refus下載下傳位址：Refus。

其中，持久分區大小可不選，分區類型選擇GPT，目标系統類型選擇UEFI（需要在bios裡開啟UEFI啟動的功能），最後完成鏡像的燒錄。

2.3 安裝系統

安裝系統的步驟不在這裡贅述，其他的部落格[1]寫的很好了，在這裡提幾個關鍵點，我的磁盤分區方案是：

2G的EFI分區

32G的swap分區（和記憶體大小一樣）

剩下的ssd存儲空間分給根目錄

home挂載在機械硬碟下

之後按照步驟直到完成系統的安裝。

3 安裝顯示卡驅動

在這一步花費了大量時間，根據網上搜尋的結果，大部分部落格都是總結了顯示卡驅動安裝的三種方法：

1.使用标準Ubuntu倉庫進行自動化安裝

2.使用PPA倉庫進行自動化安裝

3.使用官方的NVIDIA驅動進行手動安裝

在嘗試這三種方法之後，使用nvidia-smi顯示連接配接不到顯示卡，重新開機機器也是直接進入指令行模式。

是以，換了另外一種方法，具體過程如下：

首先，在系統安裝完成之後不要換源，執行下面的指令去檢查軟體的更新

sudo apt-get update

之後在應用清單中打開Software & Updates，點選Additional Drivers，這個時候，官方推薦的清單就會顯示了，其實這個跟執行

ubuntu-drivers devices

是一樣的顯示效果，但是在Software & Updates中操作會更穩妥一些。

點選 Apply Changes，等待進度條走完重新開機機器就安裝完成了。執行nvidia-smi，顯示如圖，表示成功安裝顯示卡驅動。

4 安裝CUDA10.0

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

選擇CUDA 10.0

建議下載下傳runfile，安裝指令如下：

sudo sh cuda__linux.run

在安裝過程中，

選擇是否安裝顯示卡驅動時選擇否

是否建構/usr/local/cuda軟連結時選擇是

其他選項按需選擇

安裝完成後，需要在~/.bashrc（/home/使用者名/.bashrc，.表示隐藏檔案，直接用vi打開這個檔案就行）檔案中添加如下語句

export PATH=/usr/local/cuda-10.0/bin${PATH:+:${PATH}}

export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

或者

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

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

建議使用第二種，因為在建構了/usr/local/cuda軟連結之後，我們在.bashrc檔案中使用該連結作為環境變量，之後隻需修改該軟連結就可以切換CUDA的版本。

5 安裝cuDNN

cuDNN的下載下傳需要比對CUDA的版本，也需要适配接下來需要安裝的TensorFlow的版本。

cuDNN的下載下傳位址：

cuDNN

developer.nvidia.com

下載下傳cuDNN需要注冊英偉達開發者賬号，在連結頁面中操作即可。

官方安裝說明：cuDNN安裝指南

其中分為兩種：

1.TAR File

tar -xzvf cudnn-9.0-linux-x64-v7.tgz

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*

1. Debian File

sudo dpkg -i libcudnn7_7.0.3.11-1+cuda9.0_amd64.deb

sudo dpkg -i libcudnn7-devel_7.0.3.11-1+cuda9.0_amd64.deb

sudo dpkg -i libcudnn7-doc_7.0.3.11-1+cuda9.0_amd64.deb

确定是否安裝好

cp -r /usr/src/cudnn_samples_v7/ $HOME

cd $HOME/cudnn_samples_v7/mnistCUDNN

make clean && make

./mnistCUDNN

執行完成顯示Test passed!即可

6 安裝深度學習套件

6.1 安裝anaconda

官方下載下傳位址：

Anaconda Python/R Distribution - Free Download

www.anaconda.com

圖示

安裝指令：

bash Anaconda3-5.3.0-Linux-x86_64.sh

安裝過程中詢問是否将anaconda的安裝位置寫入.bashrc選擇是。

為conda換源：

conda config --add channels

https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

conda config --set show_channel_urls yes

6.2 安裝TensorFlow.

官方教程：

使用 pip 安裝 TensorFlow | TensorFlow

tensorflow.google.cn

首先，下載下傳TensorFlow的離線鏡像

建立虛拟環境

conda create -n keras pip python=3.6

激活虛拟環境

source activate keras

安裝TensorFlow

pip install --ignore-installed --upgrade packageURL

測試

import tensorflow as tf

hello = tf.constant('first tensorflow')

sess = tf.Session()

print sess.run(hello)

6.3 安裝keras

在上節的keras虛拟環境中，輸入指令：

pip install keras -U --pre

git clone

https://github.com/fchollet/keras.git

cd keras/examples/

python mnist_mlp.py

網速較差的可以去對應的git倉庫中下載下傳example運作。

7 總結

基本上，深度學習的環境算是搭建完成了，再重新安裝docker進行測試以後，運作鏡像沒有問題。寫這篇部落格的目的是為了記錄自己的安裝過程，以備後期使用。如果有寫的不合适的地方，歡迎提意見。