RTX 3090的深度学习环境配置指南:Pytorch、TensorFlow、Keras
点击上方“AI遇见机器学习”,选择“星标”公众号
重磅干货,第一时间送达
来源 | 知乎
编辑 | 极市平台
作者 | Yukyin
最近刚入了3090,发现网上写的各种环境配置相当混乱而且速度很慢。所以自己测了下速度最快的3090配置环境,欢迎补充!
基本环境(整个流程大约需要5分钟甚至更少)
py37或py38
cuda11.0
cudnn8.0.4
tf2.5(tf-nightly)或 tf1.15.4
pytorch1.7
keras2.3
(1)官网下载,安装显卡驱动:
bash NVIDIA-Linux-x86_64-455.23.04.run
(2)安装Anaconda并换源
bash Anaconda3-5.2.0-Linux-x86_64.sh
vim ~/.bashrc
export PATH=/home/XXX/anaconda3/bin:$PATH(XXX为自己的用户名)(在文件末尾处添加该语句)
source ~/.bashrcconda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
之后vim ~/.condarc,把defaults删掉
(3)创建虚拟环境,一般用py37或py38(以下都在虚拟环境中操作)
conda create -n exp38 python==3.8
conda activate exp38
(4)安装cuda11.0和pytorch1.7(不用再conda install cudatoolkit==11.0)
conda install pytorch torchvision cudatoolkit=11
(5)安装cudnn8(因为conda还不支持cudatoolkit=11中下载cudnn)
从https://developer.nvidia.com/rdp/cudnn-download下载cudnn,解压后进入cuda/lib64路径下,把里面所有文件拷入对应虚拟环境(exp38)的lib中
(6)装tf2.5(不要装tensorflow-gpu==2.4.0rc0,会报错'NoneType' object has no attribute 'TFE_MonitoringDeleteBuckets')
pip install tf-nightly-gpu -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install tf-nightly -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
(7)装tf1.15.4
此处参考这位大佬的tf1.15.4安装步骤
https://blog.csdn.net/wu496963386/article/details/109583045?utm_medium=distribute.wap_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.wap_blog_relevant_pic
pip install google_pasta-0.2.0-py3-none-any.whl nvidia_cublas-11.2.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_cupti-11.1.69-cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvcc-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvrtc-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_runtime-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cudnn-8.0.4.30-cp36-cp36m-linux_x86_64.whl nvidia_cufft-10.3.0.74-cp36-cp36m-linux_x86_64.whl nvidia_curand-10.2.2.74-cp36-cp36m-linux_x86_64.whl nvidia_cusolver-11.0.0.74-cp36-cp36m-linux_x86_64.whl nvidia_cusparse-11.2.0.275-cp36-cp36m-linux_x86_64.whl nvidia_dali_cuda110-0.26.0-1608709-py3-none-manylinux2014_x86_64.whl nvidia_dali_nvtf_plugin-0.26.0+nv20.10-cp36-cp36m-linux_x86_64.whl nvidia_nccl-2.7.8-cp36-cp36m-linux_x86_64.whl nvidia_tensorrt-7.2.1.4-cp36-none-linux_x86_64.whl tensorflow_estimator-1.15.1-py2.py3-none-any.whl nvidia_tensorboard-1.15.0+nv20.10-py3-none-any.whl
nvidia_tensorflow-1.15.4+nv20.10-cp36-cp36m-linux_x86_64.whl -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
(8)装keras2.3
pip install keras==2.3 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
(9)测试(使用cuda10.2也可以测试使用gpu,但貌似不能把数据写入gpu)
pytorch
tensorflow-2.5或1.15.4
keras(测试需要改部分源码_get_available_gpus())
import tensorflow as tf
import keras.backend.tensorflow_backend as tfback
print("tf.__version__ is", tf.__version__)
print("tf.keras.__version__ is:", tf.keras.__version__)def _get_available_gpus():if tfback._LOCAL_DEVICES is None:devices = tf.config.list_logical_devices()tfback._LOCAL_DEVICES = [x.name for x in devices]return [x for x in tfback._LOCAL_DEVICES if 'device:gpu' in x.lower()]
tfback._get_available_gpus = _get_available_gpusfrom keras import backend as K
K.tensorflow_backend._get_available_gpus()
后记:实际3090需要cuda11.1,但pytorch和tf目前只支持11.0。而且讲真不需要单独配cuda、cudnn,在虚拟环境里搞就行了。
欢迎关注我们,看通俗干货!
RTX 3090的深度学习环境配置指南:Pytorch、TensorFlow、Keras相关推荐
- 深度学习环境配置指南/YOLOv8目标检测实践
深度学习环境配置指南以YOLOV8 为例 简介 软件准备 部分安装难点 了解yolov8 准备yolov8运行的环境 跑一个例程 运行一个例程 Load a model 简介 实验室来了很多新同学,本 ...
- 【20210122期AI简报】保姆级深度学习环境配置指南、寒武纪首颗AI训练芯片亮相...
导读:本期为 AI 简报 20210122 期,将为您带来 9 条相关新闻,新增论文推送,在文章底部,祝各位牛年大吉~ 本文一共 3700 字,通篇阅读结束需要 7~10 分钟 1. 保姆级教程:深度 ...
- 深度学习环境配置指南:Pytorch、TensorFlow、Keras
点击上方"视学算法",选择加"星标"或"置顶" 重磅干货,第一时间送达 作者丨Yukyin@知乎 来源丨https://zhuanlan.z ...
- 深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)
↑↑↑关注后"星标"Datawhale 每日干货 & 每月组队学习,不错过 Datawhale干货 作者:伍天舟.马曾欧.陈信达 入门深度学习,很多人经历了从入门到放弃的心 ...
- 【深度学习】相当全面的深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)...
作者:伍天舟.马曾欧.陈信达 入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了入门第一道关卡:环境配置问题.俗话说,环境配不对,学习两行泪. 如果你正在面临配置环境的痛苦,不管你是W ...
- 保姆级教程:深度学习环境配置指南!(Windows、Mac、Ubuntu全讲解)
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 入门深度学习,很多人经历了从入门到放弃的心酸历程,且千军万马倒在了 ...
- Ubuntu 深度学习环境配置、Theano TensorFlow PyTorch 安装、常用软件安装方式
文章目录 介绍 系统和显卡 深度学习环境配置 安装 Nvidia 显卡驱动 安装 CDUA 安装 cuDNN 深度学习框架安装 安装 Theano-gpu 安装 TensorFlow-gpu 安装 P ...
- 安装教程rtx2080ti_点云深度学习环境配置指南(一)Ubuntu16.04+RTX2080ti
[今日导读]想做点云深度学习?先把环境配置好吧.本期为初学者带来环境配置指南,有需求的同学赶快上手吧.配置为: Ubuntu16.04+RTX2080ti+NVIDIA驱动+cuda10.1+cudn ...
- 天才少年稚晖君 | 【保姆级教程】个人深度学习工作站配置指南
天才少年稚晖君 | [保姆级教程]个人深度学习工作站配置指南 来源:https://zhuanlan.zhihu.com/p/336429888 0. 前言 工作原因一直想配置一台自己的深度学习工作站 ...
最新文章
- Java 基础搞定了,还能学点什么?
- linux find 多路径,linux多路径几个比较有用的命令
- C#设计模式(2)——简单工厂模式
- 关于redis的几点思考
- 自定义导航栏的背景、标题、返回按钮文字颜色[转]
- 超 6 万的微软工程师是如何进行代码审查的?| CSDN 博文精选
- Luogu P1963 [NOI2009]变换序列(二分图匹配)
- 「leetcode」47.全排列 II【回溯算法】详细图解!
- 肿瘤免疫浸润资源汇总
- 前端学习之html特殊符号
- check_cbss_kafka.sh
- 华为nova8和华为nova8Plus哪个好-华为nova8和华为nova8Plus区别-哪个更值得入手-参数对比
- JAVA系统之间通信方式总结
- restTemplate发送put请求
- Uncaught ReferenceError: xxx is not defined 解决办法
- 你如何理解前端的工作(面试题)
- The Thirty-three Of Word-Day
- poj 1228 Grandpa's Estate
- TigerGraph图数据库安装
- 五种大数据框架你必须要知道
热门文章
- CAP in tns
- 41、应用如何签名以及签名的意义(转载)
- Windows server 2008 R2 通过策略关闭密码复杂性
- Jquery真的很棒
- 讲解SQL2005数据库转到SQL2000的步骤
- 用C语言解“混合类型数据格式化输出”题
- 计算机vb实验报告,VB综合实验报告格式
- python *args 元组 **kargs 字典
- numpy.squeeze() 去除维度为1的向量
- su oracle : 只切换用户,而不切换环境;就是说切到oracle用户后,使用的依旧是root的环境。 su - oracle :同时切换用户和环境