如何快速在Ubuntu服务器上搭建GPU深度学习环境（TensorFlow版本） ...

前言

   随着AI的迅速发展，主流的深度学习框架Pytorch和TensorFlow越来越被人熟知，笔者最近也需要基于Ubuntu服务器进行深度学习环境的搭建，作为一名刚涉及该范畴的Green Bird，天然遇到了很多题目，但自我探索和他人资助下也有了一些浅薄理解。
关于Pytorch和TensorFlow的区别和联系，可见如何对比现在最流行的两个深度学习框架：TensorFlow和PyTorch。
  概念

网络上现在的相关教程相当繁杂，以是在TensorFlow环境的搭建之前，读者应先确定以下几点是否了解清楚。

• 关注现在搭建的操纵体系以及对应的版本：Linux,Windows,macOS，不同体系的操纵斜体样式步骤有很大差别
  
• 关注现在操尴尬刁难象的版本以及相互之间的依赖关系，比方关于Cuda和Cudnn的版本以及之间的依赖关系
  
• 关注现在版本是支持CPU的照旧GPU的，或者是共同支持的
  
• 关注文件下载的网络题目，很多报错都是来自于网络以及源的题目
  

名词解释

pip

pip 是 Python 的包管理工具，用于安装、升级、卸载 Python 包或模块。它可以主动解决包之间的依赖关系，并且可以从 Python Package Index (PyPI) 以及其他源获取和安装包。
个人认为，Conda一定程度上代替了一部门pip的功能。
Anaconda

Anaconda 是一个开源的 Python 和 R 语言发行版，用于数据科学、机器学习、科学计算和大数据处置处罚。它包罗了很多常用的数据科学和机器学习库，如 NumPy、Pandas、Matplotlib、Scikit-learn 等，以及 Jupyter Notebook 等工具。
   那么为什么一定要在此处使用Anaconda呢？
  

• 集成环境：Anaconda 提供了一个集成的环境，包罗 Python 或 R 解释器、常用库、开发工具和环境管理工具，使得在数据科学和机器学习项目中更加方便快捷
  
• 包管理：Anaconda 提供了 Conda 包管理器，可以方便地安装、更新、管理各种库和工具，解决了依赖关系和版本兼容性的题目。个人认为这是选择使用它来管理机器学习库的最重要的长处之一
  
• 环境管理：Anaconda 允许创建多个独立的环境，每个环境可以有本身的库版本和依赖关系，可以制止不同项目之间的冲突。个人认为这是选择使用它来管理机器学习库的最重要的长处之二
  
• 跨平台支持：Anaconda 可以在 Windows、macOS 和 Linux 等多个操纵体系上运行，为用户提供了跨平台的数据科学和机器学习开发环境
  

conda

conda 是一个开源的包管理和环境管理体系，主要用于数据科学、机器学习和科学计算范畴。它是 Anaconda 发行版的焦点组件之一，也可以作为独立的软件包安装。
   简单来说，conda是Anaconda的焦点，以及下令实现。
  GPU

GPU（Graphics Processing Unit，图形处置处罚器）是一种专门用于处置处罚图形和图像计算的处置处罚器。它最初是为了加速计算机图形渲染而设计的，用于处置处罚3D图形、视频、游戏图形等。与传统的CPU（Central Processing Unit，中心处置处罚器）相比，GPU具有更多的并行处置处罚单元和更高的内存带宽，使其在处置处罚大规模并行计算使命时具有更高的性能和服从。
在深度学习范畴，GPU扮演偏重要的角色，因为深度学习模型通常需要进行大量的矩阵运算和并行计算，而GPU的并行计算能力能够明显加速这些计算过程，从而加快模型的训练和推理速度。
通俗来讲，GPU也就是我们常说的显卡，主要的供应商便是NVIDIA，主要型号有很多，比方我们津津乐道的GeForce RTX 4090。
CUDA Driver

CUDA Driver是NVIDIA提供的软件驱动程序，用于与CUDA-enabled GPU（支持CUDA的GPU）进行通信和协作。这个驱动程序是必需的，因为它使得计算机的操纵体系和CUDA应用程序能够与GPU进行有用的交互，从而实现并行计算使命的加速。
CUDA

CUDA（Compute Unified Device Architecture）是由NVIDIA开发的并行计算平台和应用程序编程接口（API）。它允许开发者使用C/C++、Python等编程语言在NVIDIA的GPU上进行并行计算。CUDA提供了一系列库和工具，可以加速各种应用程序，包罗科学计算、深度学习、图形处置处罚等。通过CUDA，开发者可以利用GPU的并行计算能力来加速复杂的计算使命，提高程序的性能和服从。
CUDA Toolkit

CUDA Toolkit是NVIDIA提供的软件套件，用于开发基于CUDA（Compute Unified Device Architecture）的并行计算应用程序。它包罗了一系列的工具和库，资助开发者利用NVIDIA GPU进行高性能的并行计算。
CUDA Toolkit的主要组件包罗：

• CUDA 编译器（nvcc）： 用于将CUDA C/C++代码编译成GPU可实验的二进制代码。
  
• CUDA Runtime API： 提供了一组API函数，用于管理GPU装备、内存分配、数据传输等操纵。
  
• CUDA 核函数（Kernel）： 开发者可以编写CUDA核函数，这些函数在GPU上并行实验，用于处置处罚大规模数据并进行并行计算。
  
• CUDA 库： 包罗了一系列优化的CUDA库，如线性代数库cuBLAS、快速傅立叶变更库cuFFT等，可加速各种计算使命。
  
• CUDA Debugger（cuda-gdb）和性能分析工具（nvprof）： 用于调试CUDA程序和进行性能分析，资助开发者优化程序性能。
  

其他更多的信息可见CUDA Toolkit官网。
cuDNN

cuDNN（CUDA Deep Neural Network library）是NVIDIA提供的用于深度学习的加速库。它提供了高效的基本操纵实现，如卷积、池化、归一化等，以及针对深度神经网络（DNN）的优化算法和工具。通过cuDNN，开发者可以利用NVIDIA GPU的并行计算能力加速深度学习模型的训练和推理过程，提高模型的性能和服从。
其他更多的信息可见cuDNN官网
关系

以上先容到的概念都会在关于GPU版本的深度学习框架下涉及到。
具体安装的流程图大体如下。

Anaconda和CUDA的关系

   通俗来讲，深度学习框架的版本更迭较为迅速，依赖关系也比较重要，以是需要下载Anaconda来进行假造环境的创建和方便的包管理，以便于CUDA的后续操纵。
  CUDA Toolkit和CUDA Driver的关系

   CUDA Toolkit的主要包罗了CUDA-C和CUDA-C++编译器、一些科学库和实用程序库、CUDA和library API的代码示例、和一些CUDA开发工具。（通常在安装CUDA Toolkit的时间会默认安装CUDA
Driver；但是我们经常只安装CUDA Driver，没有安装CUDA Toolkit，因为有时不一定用到CUDA
Toolkit；比如我们的笔记本电脑，安装个CUDA Driver就可正常看视频、办公和玩游戏了）
  详细内容见NVIDIA官方
CUDA，CUDA Toolkit，cuDNN的关系

   CUDA平台一开始并没有安装cuDNN库，当开发者们需要用到深度学习GPU加速时才安装cuDNN库，工作速度相较CPU快很多。
这里是引用
cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算；
CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时间，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
  下载

下载环境

• 服务器平台：Ubuntu 22.04
  
• Conda Driver:535
  
• Anaconda:conda 4.6.13
  
• Python:python
  3.10.0
  
• CUDA:cuda 11.7
  
• cuDNN:cuDNN 8.9.7
  
• TensorFlow:tensorflow 2.12.0
  

下载方式

   以下根据相关帖子进行下载
  Anaconda

可以直接根据官网进行操纵Anaconda下载
下载竣事后可以通过conda --version 来进行查抄版本，是否安装成功
Conda Driver

可以参考：Conda Driver安装
最后使用nvidia-smi来检验安装是否成功

在此说明的是这里的 CUDA Version需要比接下来安装的CUDA的版本大或者相同，CUDA和CUDA Driver显卡驱动不是一一对应的，同一台电脑上可同时安装多个CUDA版本
CUDA/CUDA Toolkit

   安装CUDA就是安装CUDA Toolkit（CUDA是运算平台名称、CUDA Toolkit是工具包），就是从官网下载CUDA Toolkit安装.run文件（如cuda_11.7.176_384.81_linux.run）进行安装。
安装成功后，在/usr/local路径下才会有cuda-11.7文件夹，且同时才可以使用nvcc -V或者nvcc --version
可以查询到CUDA版本。
可以参考Ubuntu22.04安装CUDA、cudnn详细步骤和最新CUDA环境设置教程(ubuntu 20.04 + cuda 11.7 + cuDNN 8.4)
  cuDNN

• 现在官网下载对应版本cuDNN官网
  
• 然后进行解压拷贝
  

1.         #版本根据自己的cuda对应
2.         tar -xvf cudnn-linux-x86_64-8.9.7.27_cuda11.7-archive.tar.xz
3.         cd cudnn-linux-x86_64-8.9.7.27_cuda11.7-archive
4.         sudo cp lib/* /usr/local/cuda-11.7/lib64/
5.         sudo cp include/* /usr/local/cuda-11.7/include/
6.         sudo chmod a+r /usr/local/cuda-11.7/lib64/*
7.         sudo chmod a+r /usr/local/cuda-11.7/include/*

复制代码

• 通过cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 检察版本
  具体安装可以参考Linux体系中安装CUDA和cuDNN教程并查抄安装成功
  

TensorFlow

以上设置好后就可以自由地在本身的conda环境里设置TensorFlow了

1. # 如果下载过慢注意源的切换
2. conda install tensorflow==2.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

复制代码

然后进入python
进行版本检察

1. python

复制代码

在python
环境中

1. import tensorflow as tf
2. # 检查tensorflow是否得到CUDA支持，安装成功则显示true，否则为false
3. tf.test.is_built_with_cuda()
4. # 检查tensorflow是否可以获取到GPU，安装成功则显示true，否则为false
5. tf.test.is_gpu_available()

复制代码

版本对应

下载完成后，我们需要通过TensorFlow和Python的对应版原来确定创建的Conda假造环境版本，详细可见TensorFlow官网

可参考conda假造环境中安装cuda和cudnn，再也不消头疼版本号的题目了
后记

设置环境是一个繁琐的过程，但有时却不可或缺。网络上的帖子对于不同版本不同题目有很大的范围性和时效性，多实验多思考。
参考

• [1] 理清GPU、CUDA、CUDA Toolkit、cuDNN关系以及下载安装
  
• [2] 最新CUDA环境设置教程(ubuntu 20.04 + cuda 11.7 + cuDNN 8.4)
  
• [3]AutoDL资助文档
  
• [4]Linux（多用户下）检察cuda、cudnn版本、检察已经安装的cuda版本、切换不同版本cuda之间的切换等相关下令
  
• [5]ubuntu22.04 cuda和cudnn安装和设置
  
• [6]TensorRT安装
  
• [7]nvidia驱动，cuda与cudnn的关系
  

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。