开发环境 platform

操作系统 OS
- Windows 7
- Windows 10
- Ubuntu 18.04
- Ubuntu 16.04
- Ubuntu 20.04
开发语言 Python3
- Anaconda3
- Jupyter Lab & Jupyter Notebook
- PyCharm
开发框架
- PyTorch
- TensorFlow2
计算资源
- CPU
- GPU ( CUDA & cuDNN )
- TPU

版本匹配 select

Windows 7 + Anaconda3 + Jupyter Lab + Jupyter Notebook + PyCharm + PyTorch + TensorFlow + CPU + GPU + TPU + CUDA
Windows 10 + Anaconda3 + Jupyter Lab + Jupyter Notebook + PyCharm + TensorFlow + CPU + GPU + TPU + CUDA + cnDNN
Ubuntu 18.04 + Anaconda3 + Jupyter Lab + Jupyter Notebook + PyCharm + PyTorch + TensorFlow + CPU + GPU + TPU + CUDA
Ubuntu 16.04 + Anaconda3 + Jupyter Lab + Jupyter Notebook + PyCharm + TensorFlow + CPU + GPU + TPU + CUDA + cnDNN

实战顺序 order

Anaconda3
Jupyter
CUDA & cuDNN
PyTorch & TensorFlow
PyCharm

software：安装路径；系统环境变量配置；快速启动与关闭；软件本身的一些相关配置

安装命令 command

Linux-Ubuntu OS

# 1、配置国内 ubuntu 软件镜像源
sudo cp /etc/apt/sources.list /etc/apt/sources.list_backup
# 查看系统的版本号或者系统代号，便于配置相适应的镜像源
# Ubuntu 12.04 (LTS)代号为precise
# Ubuntu 14.04 (LTS)代号为trusty
# Ubuntu 16.04 (LTS)代号为xenial
# Ubuntu 18.04 (LTS)代号为bionic
lsb_release -c# 2、安装 Anaconda3
# Anaconda 官网:https://www.anaconda.com/products/individual#windows
# Anaconda 国内清华大学镜像:https://mirrors.tuna.tsinghua.edu.cn/
# 添加执行权限
chmod +x anaconda3.sh
# 执行安装
./anaconda3.sh
# 1、回车开始安装
# 2、按 q 退出查看阅读协议
# 3、输入 yes 同意协议服务
# 4、输入安装路径 /home/user/conda/
# 5、添加系统环境变量 yes# 检测 Anaconda 安装情况
which conda    # 检测位置是否是自己想要的
which pip
which python
which ipythonconda --version #或者输入 conda -V  查看版本是否自己需要的
pip --version
python --version
ipython --version# 升级 Anaconda 自带的 Jupyter
# 建议先配置好 pip 国内镜像源
pip install --upgrade jupyterlab
# cmd 打开 jupyter lab
jupyter lab
# 配置 jupyter ，一般设置工作路径，远程登录等等信息
# 生成配置文件
jupyter notebook --generate-config# 3、配置国内 pip 镜像源
# 在终端使用如下命令，新建 pip 配置文件，为当前登录用户 Python 设置 pypi 镜像源
vi ~/.pip/pip.config
# 在配置文件中输入 pypi 源，需要简单的 Vi&Vim 操作命令
[global]
index-url = https://mirrors.aliyun.com/pypi/simple/
[install]
trusted-host=mirrors.aliyun.com# 4、安装 GPU 驱动加速以及 cuDNN 深度神经网络加速库
# 显卡信息查看
lspci
# 安装 CUDA，搜索 cuda 10.2 download 即可
# 选择好 cuda版本、操作系统、架构64、ubuntu以及其版本、deb local
# 出现安装指南 Installation Instructions:
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget http://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda-repo-ubuntu1804-10-2-local-10.2.89-440.33.01_1.0-1_amd64.debsudo dpkg -i cuda-repo-ubuntu1804-10-2-local-10.2.89-440.33.01_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-10-2-local-10.2.89-440.33.01/7fa2af80.pub
sudo apt-get update
sudo apt-get -y install cuda# 重启使得网卡驱动生效
# 查看信息,显示 GPU 资源信息即可
nvidia-smi
# 配置 nvcc 到系统环境变量，并使其生效
# 查看当前 PATH 内容
echo $PATH
# 找到 cuda 安装路径下的 nvcc 命令
# 类似：/usr/local/cuda_10.2/bin
vi ~/.bashrc
# 添加内容
export PATH="/usr/local/cuda_10.2/bin:$PATH"
# 生效配置文件
source ~/.bashrc
# 检测 nvcc
nvcc -V# 5、安装 PyTorch
# PyTorch 官网：https://pytorch.org/get-started/locally/
# 选择对应的 PyTorch 版本，操作系统，包管理工具，支持语言，CUDA 版本
# 自动生成命令
pip install torch==1.5.1+cu101 torchvision==0.6.1+cu101 -f https://download.pytorch.org/whl/torch_stable.html# 测试 PyTorch，打开终端 Ctrl + Alt + T
# 没有 GPU 资源，不报错即可
ipython
import torch
# 有 GPU 资源，返回 True 即可
ipython
import torch
torch.cuda.is_available()# 6、安装 TensorFlow2
# TensorFlow官网：https://www.tensorflow.org/install
# 安装 仅支持 CPU 版本
pip install tensorflow-cpu
# 测试,进入 cmd，输入命令没有错误即可
ipython
import tensorflow as tf# 安装 支持 GPU和CPU 版本
pip install tensorflow
# 测试,进入 cmd，输入命令返回 True 即可
ipython
import tensorflow as tf
tf.test.is_gpu_available()# 7、注意点
# 之所有没有安装 cuDNN 库支持，并能成功使用 TensorFlow  的 GPU 资源
# 这是因为，PyTorch 安装中自动下载并配置了 cudatoolkit 库，即就是 cuDNN 库
# 如果没有安装 PyTorch，则需要自己配置 cuDNN 库
# cuDNN 7.5 for CUDA 10.0 官网：https://developer.nvidia.com/rdp/cudnn-archive
# cuDNN 需要登录才能下载，注册并登录一些即可
# 下载并解压后重命名文件夹为 cudnn ，然后 mv 到 CUDA 安装目录下即可
# 配置 cudnn 库到系统环境变量库中,指定 cudnn 库位置
echo $LD_LIBRARY_PATH
vi ~/.bashrc
# 添加内容
export LD_LIBRARY_PATH="/home/cuda/cudnn/lib64:$LD_LIBRARY_PATH"
# 生效配置文件
source ~/.bashrc# 7、安装 PyCharm
# PyCharm 官网：https://www.jetbrains.com/pycharm/download/
# 注意安装时选择自定义安装，系统环境变量等等情况
# 解压，执行 pycharm.sh
./pycharm.sh
# 按照提示进行安装即可
# 选择快速启动命令 charm 终端启动

简要说明 introduction

清晰思路，整个安装过程一定要思路清晰，每一步都需要知道在干啥子
本文仅做参考，可能随着岁间流逝，有些命令有所变换，笔者尽量做到最新，希望更确定命令参考官方说明文档
笔者研究方向：数字图像处理 DIP、计算机视觉 CV
笔记信条：尽量操作过程不要展示图片，入这门，思维抽象很重要，这些操作必是熟稔于心
欢迎对内容进行补充和纠错，能够帮助更多的人！
评论或者Email@
Email：2694048168@qq.com

Linux-Ubuntu系统配置深度学习环境搭建相关推荐

linux系统下深度学习环境搭建和使用
作为一个AI工程师,对Linux的一些技能的掌握也能从一定层面反应工程师的资深水平. 要求1:基于SSH的远程访问(本篇文章) 能用一台笔记本电脑,远程登陆一台linux服务器能随时使用笔记本电脑启 ...
Linux centos 7 深度学习环境搭建（GPU版）
1.首先,需要安装显卡驱动以我的机器RTX 3080为例,先到nvidia驱动官网检索符合自己版本的显卡驱动 nvidia 驱动官网:官方 GeForce 驱动程序 | NVIDIA 所有驱动版本: ...
台式机Ubuntu系统安装Tesla系列显卡+深度学习环境搭建
1.前言 Tesla系列的显卡主要是作为计算显卡来使用的,常用在服务器.工作站等设备上,并不适用于普通台式机主板上.与常用的Nvidia显卡系列相比,其内部的电源供电结构.散热功能都是不一样的.因此要 ...
win10下双硬盘做深度linux,win10+ubuntu18双硬盘双系统安装记录+深度学习环境搭建...
工作需要,在已经预装了Windows10的工作站,需要再安装ubuntu.因为工作站本身有两块硬盘,所以准备空出一个装ubuntu,这样两个系统互不干扰,不使用对方的硬盘空间.工作站装里有两块Nvid ...
腾讯云GPU服务器深度学习环境搭建
Author:ZERO-A-ONE Date:2021-2-20 因为本人的电脑没有带有NVIDIA公司的独立显卡,所以需要用到GPU进行大规模运算加速训练的时候,就萌生了购买云服务进行计算的念头 ...
Ubuntu16.04深度学习环境搭建
Ubuntu16.04深度学习环境搭建(anaconda3+cuda10.0+cudnn7.6+pytorch1.2) 文章目录 Ubuntu16.04深度学习环境搭建(anaconda3+cuda1 ...
ubuntu22从双系统开始到深度学习环境搭建+必备软件安装
ubuntu从双系统开始到深度学习环境搭建及生活软件安装大合集!!! (一)本机环境 (二)双系统安装 1.前期了解 1.1.查看[BIOS](https://so.csdn.net/so/searc ...
深度学习环境搭建之SFA3D目标检测
一.前言由于公司项目支撑,近期需要做雷达图像的目标检测后融合.本篇博客详细介绍深度学习环境搭建,并跑通SFA3D.由于本机第一次搭建环境,这里先全部手动搭建,实际上在用Ananconda创建 ...
保姆级教程——Ubuntu16.04 Server下深度学习环境搭建：安装CUDA8.0，cuDNN6.0，Bazel0.5.4，源码编译安装TensorFlow1.4.0(GPU版)...
写在前面本文叙述了在Ubuntu16.04 Server下安装CUDA8.0,cuDNN6.0以及源码编译安装TensorFlow1.4.0(GPU版)的亲身经历,包括遇到的问题及解决办法,也有一些 ...
深度学习双显卡配置_linux(manjaro) tensorflow2.1 conda cuda10 双显卡笔记本深度学习环境搭建...
linux(manjaro) tensorflow2.1 conda cuda10 双显卡笔记本深度学习环境搭建下学期要学tensorflow,看着我可怜的1050ti,流下了贫穷的泪水,但无奈要做 ...

Linux-Ubuntu系统配置深度学习环境搭建

开发环境 platform

版本匹配 select

实战顺序 order

安装命令 command

简要说明 introduction

Linux-Ubuntu系统配置深度学习环境搭建相关推荐

最新文章

热门文章