Ubuntu配置深度学习环境（TensorFlow和PyTorch）-CSDN博客

---

前言最好是去这里看一下TensorFlow对应的CUDA版本按照要求的版本安装我是因为有其他程序必须要11.6才没有按照这个要求安装但是安装流程是一样的

一、CUDA安装

1.1 安装显卡驱动

查看推荐显卡

ubuntu-drivers devices

安装recommend推荐显卡版本这里推荐的是535版本

sudo apt-get install nvidia-driver-535

要选择版本不然会自动更新内核。 但是我安装535会黑屏只能安装了510由于是刚安装的系统更新了内核也没太大的影响另外安装版本太低的话也不行因为下面安装CUDA要求最小版本

1.2 CUDA安装

使用手动安装方法

nvidia-smi

查看显卡驱动支持最高CUDA版本是12.1 到cuda-toolkit-archive选择需要的CUDA版本下载你需要的与TensorFlow匹配的版本如下图选择runfile(local)并使用生成的指令进行下载和安装

回车取消安装显卡驱动然后选择最后的安装

安装成功之后环境配置在.bashrc文件末尾添加环境变量

sudo gedit ~/.bashrc
# 添加以下内容
export PATH=/usr/local/cuda-11.6/bin${PATH:+:${PATH}} 
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

或者终端输入以下命令添加

# Taken from: https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#post-installation-actions
echo 'export PATH=/usr/local/cuda-11.6/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc

验证是否安装成功

nvcc -V

1.3 安装cuDNN

成功安装完CUDA之后官网下载CUDA对应版本的cuDNN前往cudnn-archive需要注册账号这里我选择的是8.9.4版本的cuDNNLocal Installer for Linux x86_64 (Tar)对应11.x版本的CUDA找到与你的CUDA对应的版本

下载完成后在文件所在目录解压缩注意自己下载文件的名称

tar -xvf cudnn-linux-x86_64-8.9.4.25_cuda11-archive.tar.xz

解压缩完成后将部分文件复制转移/usr/local注意自己下载文件的名称 cudnn8.0以上会将版本信息更新到cudnn_version.h文件中也需要将这个文件复制否则验证的时候会没有反应

cd cudnn-linux-x86_64-8.9.4.25_cuda11-archive
sudo cp include/cudnn.h /usr/local/cuda/include/ 
sudo cp lib/libcudnn* /usr/local/cuda/lib64/ 
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
sudo cp include/cudnn_version.h /usr/local/cuda/include/
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2  #验证

二、Anaconda安装

进入Anaconda官网点击Download下载Anaconda会根据访问网页所使用的系统下载对应的版本比如我这里下载的是Anaconda3-2023.03-Linux-x86_64.sh

安装Anaconda

bash Anaconda3-2023.03-Linux-x86_64.sh

1查看安装协议一直按Enter直到出现 Do you accept the license terms? [yes|no] 输入yes即可继续安装
2输入yes后会提示确认安装位置这里点击Enter默认即可
3初始化Anaconda这一步只需要根据提示输入yes即可

重启终端进入conda基础环境可以检查一下在此环境下的python位置和版本

如果希望 conda 的基础环境在启动终端时不被激活将 auto_activate_base 参数设置为 false

conda config --set auto_activate_base false

后面想要再进入conda的base环境只需要使用conda指令激活

conda activate base

conda常用命令

• 创建conda环境

conda create --name 环境名 包名多个包名用空格分隔
# 例如conda create --name my_env python=3.7 numpy pandas scipy

• 激活切换conda环境

conda activate 环境名
# 例如conda activate bas

• 显示已创建的conda环境

conda info --envs
# 或者conda info -e亦或者conda env list

• 删除指定的conda环境

# 通过环境名删除
conda remove --name 要删除的环境名 --all

# 通过指定环境文件位置删除这个方法可以删除不同位置的同名环境
conda remove -p 要删除的环境所在位置 --all
# 例如conda remove -p /home/zard/anaconda3/envs/MaskRCNN --all

三、安装TensorFlow和pyTorch

3.1 安装pyTorch

进入pyTorch官网https://pytorch.org/往下拉选择你的环境生成安装命令

复制安装命令我改成了11.6

conda install pytorch torchvision torchaudio pytorch-cuda=11.6 -c pytorch -c nvidia

输入y安装可能需要科学上网

测试是否能够使用

ipython

import torch
torch.cuda.is_availbale()

3.2 安装TensorFlow2

# 创建一个虚拟环境
conda create -n tensorflow-gpu python=3.7
# 激活环境
conda activate tensorflow-gpu

pip install ipython
pip install tensorflow -U

注意不要安装tensorflow-gpu会报以下错误根据提示消息这时候安装tensorflow也是可以使用GPU的。
两种方法都可以让你的 TensorFlow 安装使用 GPU 加速事实上自 TensorFlow 2.1 版本开始两个包在功能上基本相同具体来说

• 使用 pip install --upgrade tensorflow 安装 TensorFlow 时TensorFlow 应该能够自动检测和使用可用的 GPU 进行加速前提是您的系统满足了相关的 GPU 驱动程序、CUDA 工具包和 cuDNN 库的要求。这是因为 TensorFlow 是一个通用框架它可以在 CPU 和 GPU 上运行但需要正确的配置和依赖项来利用 GPU。
• 使用 pip install --upgrade tensorflow-gpu 安装 TensorFlow-GPU 版本时它已经专门配置为利用 GPU 加速无需额外的配置。

无论选择哪种方法只要满足了 GPU 驱动程序、CUDA 工具包和 cuDNN 库的要求TensorFlow 都应该能够正确地使用 GPU 进行加速。

可以通过检查可用的 GPU 数量来验证是否已启用 GPU 加速

import tensorflow as tf
tf.test.is_gpu_available()
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

四、安装pyCharm

4.1 pyCharm的安装

进入官网https://www.jetbrains.com.cn/en-us/pycharm/下载pycharm

点击下载往下翻下载Community版本

下载完成后解压进入bin目录运行.sh文件

cd pycharm-community-2023.2.1/bin/
sh pycharm.sh

界面启动后在打开的Pycharm软件界面左下角点击设置图标选择Create Deasktop Entry。关闭Pycharm点击左下角显示应用程序找到Pycharm即可开始使用
点击进入plugins选择Marketplace搜索chinese找到中文语言包图标上有个“汉”字进行安装安装好后重启pycharm即可

4.2 关联anaconda的Python解释器

创建新项目之后打开设置选择python解释器

添加python解释器选择Conda环境选择我们之前创建的虚拟环境

可以看到我们安装的库已经有了

五、VScode配置anaconda的Python虚拟环境

实际上我更习惯使用VScode其简洁方便我在使用Pycharm时总是遇到卡死的情况并且字体主题等等令人不爽下面使用VScode配置anaconda的Python虚拟环境
首先我们要知道虚拟环境的python解释器位置它位于#{YOUHOME}/anaconda3/envs/#{YOUEVN}/bin/python例如我上面创建的虚拟环境

然后在VScode左下角的设置中搜索python path找到解释器路径设置填入虚拟环境的解释器

接下来就可以愉快使用啦按F5运行哦