ubuntu20.04 (oder windows10) + anaconda + pytorch oder erstellen Sie eine Umgebung für Tensorflow

zunaechst

Dies ist Qiitas erster Beitrag. Ich wäre Ihnen dankbar, wenn Sie mich wissen lassen könnten, ob es Punkte gibt, die nicht erreicht werden können.

Was ist in diesem Artikel zu tun?

Erstellen Sie eine Umgebung für Pytorch, Tensorflow und Keras auf einem PC, der mit NVIDIA Geforce GTX 1060 ausgestattet ist. Bitte beachten Sie, dass es häufig nicht mit verschiedenen Versionen funktioniert.

Was ist vorzustellen?

--nvidia Treiber (Version ist beliebig (?))

• anaconda --mit Python 3.6
• tensorflow-gpu 1.12.0
• keras 2.2.4
• pytorch 1.6.0

• Wenn Sie es nur von Anaconda aus verwenden, wird das Cuda-Toolkit usw. automatisch installiert, wenn Sie Tensorflow-GPU usw. installieren, sodass Sie es nicht selbst installieren müssen.

Betriebsumgebung

• windows10
• ubuntu20.04

Installation des NVIDIA-Treibers (für Ubuntu)

Referenz

1. Überprüfen Sie die installierte GPU und den Treiber

Überprüfen Sie die GPU

ubuntu-drivers devices  

2 . Treiberinstallation

install_driver

sudo ubuntu-drivers install [Treiberversion(Ist es sicher, empfohlene wie 435 zu verwenden??)]
#Autoinstall scheint nicht empfohlen
#Weitere Informationen ubuntu-drivers --Führen Sie die Hilfe aus

3 Starten Sie Ihren PC neu 4 . Es ist in Ordnung, wenn Sie Informationen wie Treiber durch Ausführen von nvidia-smi erhalten können.

Wenn nvidia-smi nicht funktioniert

Referenz NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running. Es kann wie werden. Deaktivieren Sie zu diesem Zeitpunkt den Jugendstil

Verfahren

1. Erstellen Sie eine Datei mit "sudo vim / etc / modprobe.d / blacklist-nouveau.conf"

blacklist-nouveau.conf

blacklist nouveau
options nouveau modeset=0

Ergänze 2. sudo update-initramfs -u 3 Starten Sie Ihren PC neu Einzelheiten finden Sie in der obigen Referenz.

Installation des NVIDIA-Treibers (für Windows)

• Wählen Sie die von Ihnen verwendete Umgebung unter nvidia_driver_download aus und laden Sie den Treiber herunter. [](--Sie können Ihre Umgebung im NVIDIA-Kontrollfeld überprüfen, indem Sie mit der rechten Maustaste auf den Desktop klicken?)
• Starten Sie das Installationsprogramm (alle Standardeinstellungen sind in Ordnung) --Öffnen Sie eine Eingabeaufforderung und führen Sie nvidia-smi aus, um Informationen wie Treiber abzurufen.

Installation von Anakonda

• Aconda-Installationsanleitung von Python Japan
• Anaconda-Beamter Installieren Sie gemäß

Erstellen einer virtuellen Umgebung

• Starten Sie die Anaconda-Eingabeaufforderung (für Windows). In Ubuntu ist es in Ordnung, wenn (Basis) an die Befehlszeile angehängt ist. Referenz conda create -n Umgebungsname python = version Erstellen Sie eine virtuelle Umgebung mit. Hier ist der Umgebungsname beliebig und die Version ist 3.6.
• Umgebung aktivieren conda aktiviere den Umgebungsnamen Es ist in Ordnung, wenn (Umgebungsname) an die Befehlszeile angehängt ist.

Installieren Sie die Pytorch

Wenn Sie Ihre Umgebung in pytorch offiziell auswählen, werden die erforderlichen Befehle angezeigt. In meiner Umgebung conda install pytorch torchvision cudatoolkit=10.2 -c pytorch war.

Überprüfen Sie, ob GPU erkannt wird (Pytorch)

Referenz (Pytorch-Beamter) Starten Sie Python

Bestätigung

import torch
torch.cuda.is_available()

Ausführen. Wenn True, können Sie erkennen

Tensorflow-Install GPU

** Hinweis: Für das cuda-toolkit ist Version 9.1 für tensorflow-gpu == 1.12.0 erforderlich. Sie benötigen also etwas anderes als pytorch. Daher ist es notwendig, Pytorch und virtuelle Umgebung zu trennen ** conda install tensorflow-gpu==1.12.0

Überprüfen Sie, ob die GPU erkannt wird (Tensorfluss).

Referenz Starten Sie Python

Bestätigung

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

Und. Wenn die GPU angezeigt wird, kann die GPU erkannt werden.

Installation von Keras

conda install keras==2.2.4

Zukunftsausblick (nicht geöffnet)

• Verwenden Sie keras-yolov3
• Feinabstimmung der NVIDIA-Jetson-Klassifizierung mit dem PC lernen und auf Jetson Nano setzen
• Lernen Sie die Feinabstimmung der NVIDIA-Jetson-Erkennung auf dem PC und setzen Sie sie auf Jetson Nano

Am Ende

Ich würde mich freuen, wenn Sie mich wissen lassen könnten, wenn es ein Problem mit der Seite gibt. Vielen Dank an alle auf der Seite als Referenz.

Referenzliste

• CUDA unter Ubuntu 18.04 installieren
• Aconda-Installationsanleitung von Python Japan
• Anaconda-Beamter
• [Für Anfänger] Erstellen Sie eine virtuelle Umgebung mit Anaconda
• Pytorch-Beamter
• Überprüfen Sie, ob die GPU von TensorFlow mit 2-Zeilen-Code erkannt werden kann