将您的GPU机器设置为“深度学习准备”

小提示：您能找到这篇{将您的GPU机器设置为“深度学习准备”}绝对不是偶然，我们能帮您找到潜在客户，解决您的困扰。如果您对本页介绍的将您的GPU机器设置为“深度学习准备”内容感兴趣，有相关需求意向欢迎拨打我们的服务热线，或留言咨询，我们将第一时间联系您！

基于GPU的GoogleCloud平台深度学习

< ">我知道，支持gp危机公关的五大原则u的高端深入学习系统构建起来非常昂贵，而且很难获得。

< ">这是在假设您有一台可用GPU的裸机器的情况下编写的，如果有部分预置，请随意跳过某个部分，我还假设您有一个NVIDIA卡，我们只会在本教程中介绍TensorFlow的设置，它是最流行的深度学习框架(Kudos to Google！)

安装CUDA驱动东莞网站 建设程序

< ">CODA是NVIDIA的并行计算平台，是TensorFlow的基本前提。但是，正如我们稍后将理解的，它实际上是更好的开始相反的方式舆情格式，所以让我们回到这个部分稍后。

< ">安装TensorFlow

< ">启动您的终端(或者SSH，如果是远程计算机)。找到特定应用程序所需的TensorFlow版本(如果有的话)，或者如果没有这样的限制，我们只需使用我目前使用的TensorFlow 1.8.0。

< ">< font-size: 18px;">PIP安装TensorFlow-GPU=1.8.0

< ">让它安装。现在运行Python shell，

< ">< font-size: 18px;">Python

< ">在Pythonshell中，键入：

< ">< font-size: 18px;">进口TensorFlow作为TF

< ">此时，由于我们没有安装CUDA，您应该会看到一个类似于以下内容的错误：

< ">< font-size: 18px;">ImportError：libcublas.so.9.0：无法打开共享对象文件：没有这样的文件或目录

< ">9.0和文件名可能取决于您选择的TensorFlow版本。但相反的做法是要知道我们需要哪种版本的数据自动化系统，在这个例子中是9.0。官方文件对TF版本和CUDA版本的对应还不清楚，所以我总是发现这种逆向工程方法更好。

< ">让我们回到安装CUDA。

< ">使用

< ">< font-size: 18px;">出口()

< ">退出Pythonshell。

< ">< font-size: 18px;">安装CUDA驱动程序(这一次我们真的要这么做，保证)

< ">所以导航到< color: rgb(127, 127, 127);">https://developer.nvidia.com/cuda-toolkit-archive。选择刚才确定的版本。

< ">Linux->x86_64->Ubuntu->16.04(或17.04)->DEB(网络)

< ">下载DEB到您的机器，并按照NVIDIA页面上的说明安装CUDA。一旦完成，让我们检查一下是否一切顺利。

< ">回去，重新打开Python外壳，

< ">< font-size: 18px;">进口TensorFlow作为TF

< ">因此，我们还没有完成，您现在应该看到一个不同的错误消息。(如果您看到的是前面相同的一个，请参阅下面的“故障排除”)

< ">< font-size: 18px;">ImportError：libcudnn.so.7：无法打开共享对象文件：没有这样的文件或目录

< ">我们还需要一个名为cuDNN的NVIDIA库，它用于对深层神经网络的GPU加速。再次注意我们需要的cuDNN版本，在本例中为7.0。

< ">导航到< color: rgb(127, 127, 127);">https://developer.nvidia.com/cudnn注册一个帐户(这是免费的)。在您建立帐户后，登录并转到< color: rgb(127, 127, 127);">https://developer.nvidia.com/rdp/cudnn-archive

< ">选择所需的cuDNN版本，并确保您选择该版本的CUDA版本。在这种情况下我们需要

< ">下载cuDNN v7.0.5(2017年12月5日)，用于CUDA 9.0

< ">在选择中，

< ">用于Linux的cuDNN v7.0.5库

< ">tgz文件将开始下载，将其移动到您的计算机，然后使用

< ">< font-size: 18px;">tar-xzvf<CUDNN_TAR_filename>

< ">将提取一个文件夹“Cuda”，将CD解压缩到该目录，并执行这两个文件，

< ">我们已经完成了(希望)。再次启动Pythonshell，您就知道该做什么了。

< ">如果这次没有抛出任何错误，我们就没事了。

< ">为了确保TensorFlow检测到GPU，在相同的Pythonshell上运行以下命令

< ">< font-size: 18px;">tf.test.gpu_Device_name()

< ">它应该打印出所有可供您使用的GPU。这在较早版本的TF上可能不起作用，如果是这样的话，可以在您的终端上尝试这个版本：

< ">< font-size: 18px;">NVIDIA-SMI

故障排除

< ">如果您做的一切都正确，而TensorFlow仍然抛出相同的错误，即使NVIDIA-SMI工作中，这可能是环境路径变量的一个问题。执行这些来修复：

< ">纵然NVIDIA-SMI命令不工作，CUDA没有正确安装，如果您遗漏了什么，请重新启动。