[Ubuntu 18.04] Construction de l'environnement Tensorflow 2.0.0-GPU

introduction

index.png Tensorflow 2.0.0 a été publié et intégré à keras, ce qui le rend encore plus pratique. Par conséquent, j'écrirai la procédure d'installation du pilote GPU à l'installation de CUDA et cuDNN, et à l'installation de Tensorflow 2.0.0-gpu, qui sont nécessaires pour installer la version GPU de Tensorflow 2.0.0 sur Ubuntu 18.04 LTS.

environnement

OS:Ubuntu 18.04 LTS GPU:nvidia Geforce GTX1660

Installation du pilote GPU

** - Mettre à jour les informations du package ** Obtenez le nom, la version et les dépendances du package à partir du référentiel de packages.

$ sudo apt update

** ・ Mise à jour du package ** Au cas où, mettez à jour le package.

$ sudo apt upgrade

** - Afficher une liste des pilotes disponibles **

$ ubuntu-drivers devices

Les résultats suivants ont été affichés sur la GTX 1660.

== /sys/devices/pci0000:00/0000:00:01.0/0000:01:00.0 ==
modalias : pci:v000010DEd00002184sv00001462sd00008D91bc03sc00i00
vendor   : NVIDIA Corporation
driver   : nvidia-driver-435 - distro non-free recommended
driver   : nvidia-driver-430 - distro non-free
driver   : xserver-xorg-video-nouveau - distro free builtin

Installez le pilote recommandé, nvidia-driver-435.

** - Installer le pilote **

$ sudo apt install nvidia-driver-435

** · Redémarrer **

$ sudo reboot

Activez le pilote installé en redémarrant.

Installation de CUDA

Installez CUDA-10.0, qui est compatible avec Tensorflow 2.0.0.

** - Télécharger la boîte à outils CUDA ** Téléchargez le fichier .run pour CUDA Toolkit 10.0 à partir de la page nvidia ci-dessous.  CUDA Toolkit 10.0 Archive  https://developer.nvidia.com/cuda-10.0-download-archive Screenshot from 2019-12-23 17-40-47.png ** - Installation de CUDA Toolkit ** Pour installer CUDA, vous devez télécharger et installer le programme d'installation de base. Puisqu'il existe également un correctif cette fois, après avoir téléchargé le programme d'installation de base et le correctif, placez-vous dans le répertoire dans lequel le programme d'installation de base et le correctif sont enregistrés.

$répertoire enregistré cd

Exécutez d'abord le programme d'installation de base.

/Répertoire enregistré$ sudo sh cuda_10.0.130_410.48_linux.run

Appuyez sur la touche D pour continuer et répondre à la question. Puisque le pilote est installé en premier cette fois, définissez l'installation du pilote sur non. Si vous avez besoin d'un échantillon CUDA, répondez oui à la dernière question.

-----------------
Do you accept the previously read EULA?
accept/decline/quit: accept

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

Install the CUDA 10.0 Toolkit?
(y)es/(n)o/(q)uit: y

Enter Toolkit Location
 [ default is /usr/local/cuda-10.0 ]: /usr/local/cuda-10.0

Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples?
(y)es/(n)o/(q)uit: n

===========
= Summary =
===========

Driver:   Not Selected
Toolkit:  Installed in /usr/local/cuda-10.0
Samples:  Not Selected

Ensuite, installez Patch.

/\ Répertoire enregistré$ sudo sh cuda_10.0.130.1_linux.run

Comme précédemment, appuyez sur la touche D pour continuer et répondre à la question.

Do you accept the previously read EULA?
accept/decline/quit: accept    

Enter CUDA Toolkit installation directory
 [ default is /usr/local/cuda-10.0 ]: /usr/local/cuda-10.0

Installation complete!
Installation directory: /usr/local/cuda-10.0

** ・ Passer par le CHEMIN DE CUDA ** Entrez la commande suivante.

$ echo -e "\n## CUDA and cuDNN PATHS" >> ~/.bashrc
$ echo "export PATH=/usr/local/cuda-10.0/bin:${PATH}" >> ~/.bashrc
$ echo "export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64:${LD_LIBRARY_PATH}" >> ~/.bashrc
$ source ~/.bashrc

** ・ Confirmation de l'installation CUDA ** Vérifiez si CUDA de la commande suivante est correctement installé.

$ nvcc -V

résultat

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130

Il peut être confirmé que CUDA 10.0 a été installé.

Installation de cuDNN

Installez cuDNN7.6, qui est compatible avec Tensorflow 2.0.0. ** ・ Installation de cuDNN ** Téléchargez le fichier .deb cuDNN7.6 à partir de la page nvidia ci-dessous. L'inscription des membres est requise pour télécharger.  Download cuDNN v7.6.0 (May 20, 2019), for CUDA 10.0  https://developer.nvidia.com/rdp/cudnn-archive Screenshot from 2019-12-23 18-15-22.png Après avoir téléchargé à la fois la bibliothèque d'exécution cuDNN pour Ubuntu18.04 (Deb) et la bibliothèque développeur cuDNN pour Ubuntu18.04 (Deb), accédez au répertoire enregistré.

$répertoire enregistré cd

Tout d'abord, installez la bibliothèque d'exécution.

/Répertoire enregistré$ sudo dpkg -i libcudnn7_7.6.0.64-1+cuda10.0_amd64.deb

Ensuite, installez la bibliothèque développeur.

/Répertoire enregistré$ sudo dpkg -i libcudnn7-dev_7.6.0.64-1+cuda10.0_amd64.deb

** ・ Confirmation de l'installation cuDNN ** Entrez la commande suivante

$ cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2

résultat

#define CUDNN_MAJOR 7
#define CUDNN_MINOR 6
#define CUDNN_PATCHLEVEL 0
--
#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

#include "driver_types.h"

Si vous voyez ce qui précède, cuDNN est installé normalement.

Installez Tensorflow

Installez pip pour installer Tensorflow. Si vous avez déjà installé la dernière version de pip, vous pouvez ignorer les installations curl et pip. ** - Installer la commande curl ** Installez la commande curl qui peut installer des fichiers sur le WEB en spécifiant l'URL.

$ sudo apt install curl

** ・ Installer pip ** Installez l'outil de gestion des packages Python pip. Si vous avez installé Ubuntu18.04LTS avec la configuration minimale, vous n'avez pas besoin d'installer pip3 car Python2 n'est pas installé. Pip doit être la dernière version pour installer Tensorflow 2.0.0, mais si l'environnement Python 2 coexiste avec l'environnement Python 3, une erreur se produira après la mise à jour de pip 3 installé avec apt avec pip 3. Par conséquent, il est plus facile d'installer Tensorflow dans un environnement Python 3 uniquement. Téléchargez le code Python pour installer pip avec la commande suivante et exécutez le programme.

$ curl https://bootstrap.pypa.io/get-pip.py -o get-pip.py
$ sudo python3 get-pip.py

Ceci termine l'installation de pip. Vous pouvez vérifier la version de pip avec la commande ci-dessous.

$ pip -V
pip 19.3.1 from /usr/local/lib/python3.6/dist-packages/pip (python 3.6)

Si la version de pip est inférieure à 19,0 Entrez la commande suivante.

$ pip install --upgrade pip

** - Mettre à niveau les outils de configuration ** Mettez à niveau setuptools avec la commande ci-dessous.

$ pip install setuptools --upgrade

** - Installation de Tensorflow 2.0.0-GPU ** Tensorflow 2.0.0-Installer le GPU. Entrez la commande suivante.

$ pip install tensorflow-gpu==2.0.0

Ceci termine l'installation de tensorflow-gpu == 2.0.0.

**Je vous remercie pour votre travail acharné! !! Envoyez une vie de GPU Tensorflow 2.0.0 amusante! ** **

Recommended Posts

[Ubuntu 18.04] Construction de l'environnement Tensorflow 2.0.0-GPU
Construction de l'environnement Ubuntu14.04 + GPU + TensorFlow
Construction d'environnement Python et TensorFlow
[Tensorflow] Construction de l'environnement Tensorflow sous Windows 10
[Construction de l'environnement] @anaconda qui exécute keras / tensorflow sur GPU
Construction d'environnement Python (pyenv, anaconda, tensorflow)
De Ubuntu 20.04 introduction à la construction d'environnement
Construction de l'environnement Python3 TensorFlow pour Mac
Mémo de construction de l'environnement de développement Ubuntu Desktop 20.04
Créer un environnement pour "Tello_Video" sur Ubuntu
Construction d'environnements OpenCV3 et Python3 sur Ubuntu
Construction de l'environnement Django
[Ubuntu 18.04] Créer un environnement Python avec pyenv + pipenv
Construction de l'environnement DeepIE3D
Construction d'environnement basée sur Emacs
Construction de l'environnement Linux
Construction d'environnement de Tensorflow et Chainer par Window avec CUDA (avec GPU)
Construction d'environnement (python)
construction d'environnement django
J'ai essayé d'installer TensorFlow (version GPU) sur Ubuntu
Construction de l'environnement CodeIgniter
construction d'environnement python
Python - Construction de l'environnement
Procédure de construction de l'environnement: Ubuntu + Apache2 + Python + Pyramid
Construction de l'environnement Python
Construction de l'environnement Golang
Construction de l'environnement de word2vec
Jusqu'à ce que l'environnement Deep Learning (TensorFlow) utilisant le GPU soit préparé pour Ubuntu 14.04
Construction de l'environnement Python3 TensorFlow (Mac et pyenv virtualenv)
[0] Construction de l'environnement TensorFlow-GPU avec Anaconda sur Ubuntu
Construction de l'environnement Python 3.x par Pyenv (CentOS, Ubuntu)
Installez TensorFlow sur Ubuntu
Construction de l'environnement: GCP + Docker
Construction de l'environnement du projet Django
Mémo de construction de l'environnement ConoHa
construction d'environnement python homebrew
Construction d'environnements liés à PyData
Construction de l'environnement Anaconda-4.2.0-python3 (Mac)
Construction de l'environnement de développement Python
Construction de l'environnement YOLO v4 ①
Activer le GPU pour tensorflow
construction de l'environnement pyenv + fish
Construction du serveur Web Ubuntu (18.04.3)
Construction de l'environnement de développement python2.7
Mémo de construction de l'environnement BigGorilla
construction de l'environnement de préhension onCentOS6.5
Mémo de construction de l'environnement Anaconda
Construction de l'environnement Golang [goenv]
Construction de l'environnement Pyxel (Mac)
Construction de l'environnement Python @ Win7
Création d'un environnement TensorFlow qui utilise des GPU sous Windows 10
[Introduction à RasPi4] Construction de l'environnement; OpenCV / Tensorflow, entrée japonaise ♪
Construction de l'environnement Python + Anaconda + Pycharm
À propos de la construction de l'environnement Linux (CentOS)
Construction de l'environnement PyTorch C ++ (LibTorch)
Construction de l'environnement Anaconda sur CentOS7