在 Linux 平台安装 NVIDIA GPU 计算的 TensorFlow

Author: 2018-03-11

Machine Learning

,

　　本文整理了在 Linux 平台上安装和配置 TensorFlow 并使用 NVIDIA GPU 进行计算的方法。使用环境为 Linux Mint 18.3 + NVIDIA GeForce GTX 970。

1. 确认要求

1.1. 确认显卡 Compute Capability

　　首先需要有一块 CUDA Compute Capability 在 3.0（从源码编译）或 3.5（使用 Binary）之上的 NVIDIA 显卡。显卡的 CUDA Compute Capability 可以在这里查询，GeForce GTX 970 在 CUDA-Enabled GeForce Products 条目下，其 Compute Capability 为 5.2，满足要求。

1.2. 确认软件版本

　　要让 TensorFlow 利用 GPU 进行运算，需要安装 CUDA 和 cuDNN。前往 TensorFlow 官方文档查看其支持的 CUDA 和 cuDNN 版本，目前 TensorFlow 的要求为：

  • CUDA® Toolkit 9.0
  • cuDNN v7.0

　　注意 TensorFlow 可能不支持最新版本的 CUDA 和 cuDNN。

2. 安装显卡驱动

　　CUDA 对 NVIDIA 显卡驱动的版本有要求，如目前最新的 CUDA 9.1 就要求使用 390 以上版本的驱动。系统自带的闭源驱动版本比较旧，建议手动安装最新版本。

　　首先添加 Repository：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update

　　目前最新驱动为 390，安装 nvidia-390 和管理工具 nvidia-settings：

sudo apt install nvidia-390 nvidia-settings

　　重启后，使用 nvidia-smi 可以看到显卡相关信息，如：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 390.25                 Driver Version: 390.25                    |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  GeForce GTX 970     Off  | 00000000:01:00.0  On |                  N/A |
| 33%   42C    P8    17W / 210W |    210MiB /  4041MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0      7578      G   /usr/lib/xorg/Xorg                            89MiB |
|    0      7989      G   cinnamon                                      35MiB |
|    0      8262      G   ...-token=983884134DD5BD52433DF8F51D5427C8    80MiB |
+-----------------------------------------------------------------------------+

3. 安装 CUDA

　　接下来安装 CUDA 9.0，在CUDA Toolkit 9.0 Downloads可以根据系统情况选择安装方式，这里选择如下（Linux Mint 18.3 基于 Ubuntu 16.04）：

  • Operating System：Linux
  • Architecture：x86_64
  • Distribution：Ubuntu
  • Version：16.04
  • Installer Type：run file (local)

　　选择完毕后会看到下载链接，下载得到一个 cuda_9.0.176_384.81_linux.run 文件，安装该文件：

sudo sh cuda_9.0.176_384.81_linux.run

　　开头的 License 可以按 Ctrl+C 跳过，后续选择如下：

  • Do you accept the previously read EULA? -> accpet
  • You are attempting to install on an unsupported configuration. Do you wish to continue? -> y
  • Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 384.81? -> n (CUDA 自带驱动版本比较低，在第 1 步已经安装过最新驱动，这里不再安装)
  • Install the CUDA 9.0 Toolkit? -> y
  • Enter Toolkit Location -> 输入安装目录，这里保持默认路径 /usr/local/cuda-9.0 不变
  • Do you want to install a symbolic link at /usr/local/cuda? -> y （会在 /usr/local 下创建一个名为 cuda 的符号链接，指向 /usr/local/cuda-9.0）
  • Install the CUDA 9.0 Samples -> 根据需要选择，如果输入 y，则后续还需指定 Sample 的安装目录

　　安装完成后，需要设置 PATH 和 LD_LIBRARY 环境变量，编辑 .bashrc:

sudo nano ~/.bashrc

　　在其中加入：

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

　　另外 TensorFlow 的文档中还要求安装 cuda-command-line-tools，它已经包含在了 CUDA 里，只需加入 LD_LIBRARY_PATH 环境变量即可。再在 .bashrc 中加入：

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-9.0/extras/CUPTI/lib64

　　上面 /usr/local/cuda-9.0 为 CUDA 安装目录，如果没有使用默认路径，注意更换为实际安装路径。

4. 安装 cuDNN

　　cuDNN 可以在这里下载，需要注册并同意 cuDNN Software License Agreement。选择 Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0 下的 cuDNN v7.0.5 Library for Linux，下载得到一个压缩包 cudnn-9.0-linux-x64-v7.tgz。解压后，进入解压目录，目录中有一个 cuda 文件夹，执行以下命令：

sudo cp cuda/include/cudnn.h /usr/local/cuda/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

　　上面的 /usr/local/cuda 为安装 CUDA 时建立的符号链接，如果没有建立，则需替换为 CUDA 的安装路径。

5. 安装 TensowFlow

　　这里在 Anaconda Environment 中安装 TensowFlow。首先在这里下载并安装 Anaconda，选择 Python 3.6 版本。

　　然后创建名为 tensorflow 的 Environment，Python 版本为 3.6，并安装 nb_conda，nb_conda 用于在 Jupyter Notebook 中切换 Environment。

conda create -n tensorflow python=3.6 anaconda nb_conda

　　接着启动名为 tensorflow 的 Environment：

source activate tensorflow

　　安装 TensorFlow：

pip install --ignore-installed --upgrade tfBinaryURL

　　注意将 tfBinaryURL 替换为 TensorFlow 包的 URL，最新的包可以在这里找到，选择 Python 3.6 下的 GPU support 版本。

6. 验证安装和常见问题

　　安装完成后，保持在 tensorflow Environment 中，使用这里的方法验证安装结果。

　　如果在 import tensorflow 时出现找不到 libcuda.so.1 的 ImportError，则可以尝试安装 libcuda1-390，这里 390 对应显卡驱动版本：

sudo apt-get install libcuda1-390

　　此问题发生在 Mint 18.3 系统，而在 Ubuntu 16.04 下安装就没有问题。