Cliquez ici pour ce dont vous avez besoin
CUDA Version: 10.0 Nvidia Driver Version: 430.50 cuDNN v7.4.2 (Dec 14, 2018), for CUDA 10.0
CUDA → Nvidia Driver → cuDNN Il semble qu'il soit nécessaire de le faire dans l'ordre de.
Ouvrez .bash_aliase dans votre répertoire personnel (créez-le si vous n'en avez pas) et remplissez ce qui suit:
# .bash_aliase
export PATH=/usr/local/cuda/bin:$PATH
export CPATH=/usr/local/cuda/include:$CPATH
export LIBRARY_PATH=/usr/local/cuda/lib:$LIBRARY_PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib:$LD_LIBRARY_PATH
Chargez-le avec la commande suivante.
source ~/.bash_aliase
CUDA
#Installez d'abord le package téléchargé
sudo dpkg -i cuda-repo-ubuntu1804-10-0-local-10.0.130-410.48_1.0-1_amd64.deb
#Ajoutez cuda au référentiel pour mettre à jour et installer la liste.
sudo apt-key adv –fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda-toolkit-10-0
Redémarrez lorsque vous avez terminé.
Nvidia Driver
sudo apt-get install nvidia-driver-430
Redémarrez lorsque vous avez terminé.
cuDNN
sudo dpkg -i libcudnn7_7.4.2.24-1+cuda10.0_amd64.deb
sudo dpkg -i libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb
sudo dpkg -i libcudnn7-doc_7.4.2.24-1+cuda10.0_amd64.deb
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
Pourquoi
sudo apt install nvidia-driver-430
Quand j'ai frappé, 440 sont entrés.
http://people.cs.uchicago.edu/~kauffman/nvidia/cudnn/
CuDNN compatible avec cuda v10.2
Pour confirmation
cat /proc/driver/nvidia/version
modinfo nvidia
Si vous exécutez nvidia-smi et que le message suivant s'affiche, cela peut être en conflit avec le pilote graphique Nouveau installé par défaut dans Ubuntu.
$ sudo vim /etc/modprobe.d/blacklist-nouveau.conf
blacklist-nouveau.conf
blacklist nouveau
options nouveau modeset=0
Ensuite, exécutez la commande suivante pour recharger le module du noyau.
$ sudo update-initramfs -u
Redémarrez votre PC, et si nvidia-smi peut être exécuté, procédez à l'installation de CUDA.
S'il y a beaucoup de données d'entraînement ou si batch_size est volumineux, il s'arrêtera lorsqu'il sera exécuté, mais avec le paramètre par défaut, il essaiera d'allouer toute la mémoire GPU requise pour l'entraînement en premier, donc il consommera toute la mémoire du GPU et une erreur se produira C'est parce que ça finit. Ainsi, au lieu d'allouer de la mémoire en premier, changez pour allouer autant de mémoire GPU que possible pour chaque apprentissage.
import tensorflow as tf
from keras import backend as K
import tensorflow as tf
from keras.backend import tensorflow_backend
config = tf.ConfigProto(gpu_options=tf.GPUOptions(allow_growth=True))
session = tf.Session(config=config)
tensorflow_backend.set_session(session)
référence https://yurufuwadiary.com/tensorflow-rtx2080super-installation
Recommended Posts