Construire un environnement de Deep Learning Ubuntu 20.04 LTS

Étant donné qu'Ubuntu 20.04 peut désormais effectuer un Deep Learning stable, enregistrez la méthode d'installation

Environnement de vérification de fonctionnement

Ubuntu 20.04 LTS
Configuration de l'unité NVIDIA RTX 2080Ti 1

Problème de gel lors de l'installation

Ubuntu 20.04 LTS, comme Ubuntu 18.04, est incompatible avec le GPU de Nvidia L'écran ressemblera à celui ci-dessous

La solution de contournement consiste à désactiver le pilote par défaut nouveau lors de l'installation ou sur l'écran GRUB pour l'empêcher de se figer.

Sur cet écran, placez le curseur sur Installer Ubuntu et appuyez sur e

Là où il est dit "splash tranquille ---" Vous pouvez désactiver nouveau en réécrivant le nomodeset de démarrage silencieux ---.

Après la réécriture, commencez à courir avec les options mises à jour avec Ctrl-x

Installez selon les instructions. Si vous installez des pilotes supplémentaires, etc. au lieu de la configuration minimale, Recommandé car le pilote nvidia est inclus.

Problème de blocage lors de la première connexion

Comme le même problème se produit après l'installation, il existe des cas où la prise en charge de nomodeset est requise (en particulier lorsqu'une boucle de connexion se produit lorsque la connexion automatique est activée).

Appuyez sur ctrl + alt + F2 sur l'écran de connexion pour accéder à l'écran de connexion CLI. Entrez le nom d'utilisateur et le mot de passe et exécutez le processus correspondant à nomodeset

sudo vi /etc/default/grub


GRUB_CMDLINE_LINUX_DEFAULT="quiet splash"
Où est-ce que c'est
GRUB_CMDLINE_LINUX_DEFAULT="quiet"
À

#Appliquer les modifications
sudo update-grab

# nvidia-Insérer le pilote
sudo apt install nvidia-driver-440;

#Redémarrer
sudo reboot

Après redémarrage

À ce stade, le pilote est dans.

$ nvidia-smi
Tue Sep 15 18:56:00 2020
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 440.100      Driver Version: 440.100      CUDA Version: 10.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce RTX 208...  Off  | 00000000:01:00.0 Off |                  N/A |
| 41%   31C    P8    13W / 250W |    311MiB / 10997MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0       973      G   /usr/lib/xorg/Xorg                           175MiB |
|    0      1339      G   /usr/bin/gnome-shell                         120MiB |
|    0      3263      G   /usr/lib/firefox/firefox                       6MiB |
|    0      3787      G   gnome-control-center                           6MiB |
+-----------------------------------------------------------------------------+

Installez les principales bibliothèques (uniquement si nécessaire)

sudo apt-get update
sudo apt-get upgrade

sudo apt-get install -y vim csh flex gfortran git g++ cmake xorg-dev patch zlib1g-dev libbz2-dev libboost-all-dev openssh-server libcairo2 libcairo2-dev libeigen3-dev lsb-core lsb-base net-tools network-manager xclip gdebi-core libffi-dev make build-essential libssl-dev zlib1g-dev libbz2-dev libreadline-dev libsqlite3-dev wget curl llvm libncurses5-dev libncursesw5-dev xz-utils tk-dev libffi-dev liblzma-dev python-openssl

Installez pyenv (uniquement pour ceux qui en ont besoin)

git clone https://github.com/yyuu/pyenv.git ~/.pyenv

Traverser

$ vim ~/.bashrc
#Ajoutez ce qui suit à la fin
export PYENV_ROOT="$HOME/.pyenv"
export PATH="$PYENV_ROOT/bin:$PATH"
eval "$(pyenv init -)"

$ source ~/.bashrc

Installez votre version Python préférée

$ pyenv install 3.6.9
$ pyenv global 3.6.9
$ pyenv rehash
$ python -V
Python 3.6.9

tester

$ mkdir -p ~/workspace/test
$ cd ~/workspace/test
$ python -m venv venv36tf
$ source venv36tf/bin/activate

$ pip install --upgrade pip
$ pip install tensorflow-gpu==2.2

expérience mniste Enregistrez ce qui suit sous test_mnist.py

`test_mnist.py`


import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

Courir Succès si la sortie est la suivante

$ python test_mnist.py

Epoch 1/5
1875/1875 [==============================] - 1s 768us/step - loss: 0.2215 - accuracy: 0.9337
Epoch 2/5
1875/1875 [==============================] - 1s 733us/step - loss: 0.0980 - accuracy: 0.9700
Epoch 3/5
1875/1875 [==============================] - 1s 739us/step - loss: 0.0711 - accuracy: 0.9780
Epoch 4/5
1875/1875 [==============================] - 1s 738us/step - loss: 0.0562 - accuracy: 0.9821
Epoch 5/5
1875/1875 [==============================] - 1s 736us/step - loss: 0.0437 - accuracy: 0.9861
313/313 [==============================] - 0s 608us/step - loss: 0.0613 - accuracy: 0.9816

Création d'un environnement de Deep Learning (Ubuntu 20.04 LTS)