centos8.2+Tesla T4搭建深度学习运行环境

因为工作需要，租借了腾讯云服务器。购买的配置是centos 8.2系统，512G的存储空间，另外显卡是Tesla T4，20核CPU，80G内存，在此基础上搭建深度学习的运行环境，将要安装pytorch和tensorflow开发框架。

1.安装显卡驱动

查看显卡的类型

lspci | grep -i nvidia

可以发现，

显卡类型为Tesla T4。

通过显卡找到驱动版本，打开官网。

下载时候需要记住自己的cuda toolkit版本，后续安装cuda时候需要版本一致。

等下载完成后，上传到服务器上，就可以进行后续的安装操作。

%让.run 文件有可执行权限：
chmod u+x NVIDIA-Linux-x86_64-460.73.01.run
%执行安装脚本
sudo ./NVIDIA-Linux-x86_64-460.73.01.run

通过下述命令就可以检查是否安装成功。

看到以上显卡的具体信息，就表示目前为止驱动安装成功！

2.安装cuda

去官网下载，安装cuda。

有命令提示下载安装，如果第一步操作在服务上不能解析地址下载，可以选择下载到本地然后再进行第二步的安装。

安装过程中，一路选择yes就ok。

接下来需要配置环境变量，如下。

%打开profile文件进行编辑
sudo vim /etc/profile
%在文件的最后添加如下两行语句
export PATH=/usr/local/cuda-11.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-11.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
%保存退出
：wq！
source /etc/profile
%重启
sudo reboot

接下来验证cuda是否安装成功。

到此为止，表明cuda安装成功。

3.安装cudnn

第一步下载cuda对应的cudnn。官网

本地下载完成以后，上传到服务器，接下来开始安装。

%先解压文件 ：tar -xvf cudnn-11.2-linux-x64-v8.1.0.77.tgz
%复制到CUDA指定目录下
sudo cp cuda/include/cudnn*.h /usr/local/cuda/includesudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
%修改权限
sudo chmod a+r /usr/local/cuda/include/cudnn*.h /usr/local/cuda/lib64/libcudnn*

验证是否安装成功。

%注意cudnn8.0以上版本cudnn.h一定要写为cudnn_version.h
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

当出现如下的界面，说明cudnn安装成功。

至此，GPU的驱动安装完毕，接下来就是配置运行编译环境。

4.安装Anaconda

直接去官网下载最新版的anaconda。注意需要选择与系统对应的版本下载。

下载完成以后，上传到服务器上，然后通过下列命令进行安装。

bash Anaconda3-2021.05-Linux-x86_64.sh

在安装过程中一路yes就OK。

可以默认不选择init，然后通过以下的命令修改。

echo 'export PATH="/root/anaconda3/bin:$PATH"' >> ~/.bashrc

最后输入命令，使环境变量生效。

source ~/.bashrc

查看conda是否安装成功。

如果显示conda命令不存在，应该是安装过程中没有选择初始化。

You have chosen to not have conda modify your shell scripts at all.
To activate conda's base environment in your current shell session:eval "$(/home/xxx/anaconda3/bin/conda shell.YOUR_SHELL_NAME hook)" To install conda's shell functions for easier access, first activate, then:conda initIf you'd prefer that conda's base environment not be activated on startup, set the auto_activate_base parameter to false: conda config --set auto_activate_base false

需要通过以下命令进行手工初始化。

eval "$(/root/anaconda3/bin/conda shell.bash hook)"

这样会进入base的conda环境中，通过以下命令可以推出conda虚拟环境。

conda deactivate

到目前为止，anaconda就安装完成。

接下来就可以通过conda命令创建属于自己的编译环境，在里面可以搭建不同的深度学习框架，比如安装pytorch或者tensorflow。

TensorFlow-gpu 安装完成后测试。

import tensorflow as tf
tf.test.is_gpu_available()

如果返回True，说明GPU版本的TensorFlow没问题。

Pytorch安装完成后测试。

import torch
flag = torch.cuda.is_available()
print(flag)

如果返回的是1，说明GPU版本的torch没问题。

centos8.2+Tesla T4搭建深度学习运行环境相关推荐

WindowServer2012R2+Anoconda3.5.0.1+CUDA9.0+cuDNN7.1.3+Tensorflow-gpu1.6离线搭建深度学习开发环境
WindowServer2012R2+Anoconda3.5.0.1+CUDA9.0+cuDNN7.1.3+Tensorflow-gpu1.6离线搭建深度学习开发环境关键词:Windows,Tens ...
nvidia docker容器不支持中文的解决办法_用docker搭建深度学习实验环境
tensorflow和pytorch官方都维护了不同版本的docker镜像.借助docker我们可以方便的搭建起深度学习实验环境. 但是想要在同一个容器内同时拥有tensorflow.pytorch. ...
【深度学习】基于深度学习的linux服务器，需要搭建哪些服务，一步步搭建深度学习的环境，cuda，pytorch，opencv，ftp服务， nfs服务 docker等等
来来回回的安装服务器,是时间写个pipline了,在这里主要记录下生产环境下的一台基于深度学习的linux服务器,需要搭建那些服务文章目录前言一.开工 1.1 切换yum源 1.2 minico ...
手把手教你搭建深度学习开发环境（Tensorflow）
前段时间在阿里云买了一台服务器,准备部署网站,近期想玩一些深度学习项目,正好拿来用.TensorFlow官网的安装仅提及Ubuntu,但我的ECS操作系统是 CentOS 7.6 64位,搭建Pyth ...
pycharm remote 远程项目同步本地_利器：PyCharm本地连接服务器搭建深度学习实验环境的三重境界...
作为实验室社畜,常需要在本地使用Pycharm写代码,然后将代码同步到服务器上,使用远程登录服务器并运行代码做实验. 这其中有很多事情如果没有好的工具,做起来会非常麻烦. 比如如何快速同步本地与服务器 ...
Win10+TensorFlow-gpu1.10+CUDA9.0+Cudnn7.4.1 搭建深度学习gpu环境
1.系统已安装环境 Anaconda3(python3.6.4) Visual Studio 2017 2.查看自己的NVIDIA版本右键开始按钮-->设备管理器-->显示适配器 3. ...
云服务器deeplearning_云服务器深度学习服务器环境搭建
前几天在腾讯云服务器上搭建深度学习的环境,查阅了腾讯云的官方文档及相关博客,一是发现介绍的不太全,二是大都是本地工作站上的部署教程.经过多种尝试和血泪的踩坑,暂总结出一份文档,方便将来重新部署时的查阅 ...
基于AI的计算机视觉识别在Java项目中的使用（三） —— 搭建基于Docker的深度学习训练环境
深度学习在哪里? 我们已然生活在数字时代,一天24小时我们被数字包围.我们生活中的方方面面都在使用数字来表达.传递.存储.我们无时无刻不在接收数字信息,而又无时无刻不在生产数字信息. 在数字世界中,可 ...
1、搭建深度学习图像识别开发环境
搭建深度学习开发环境 1.前言 1.1 本文章约定 1.2 开始条件 1.3 视频教程 1.4 整个流程概览 1.5 所需硬件 1.6 软件版本概览 2.安装 Anaconda 2.1 创建环境 tf ...

centos8.2+Tesla T4搭建深度学习运行环境

centos8.2+Tesla T4搭建深度学习运行环境相关推荐

最新文章

热门文章