系统类配置(二)【深度学习装机详细教程-ubuntu16.04下安装cuda9.0+nvidia-384+cudnn7.1.4+tensorflow1.9。】(上)

简介: 系统类配置(二)【深度学习装机详细教程-ubuntu16.04下安装cuda9.0+nvidia-384+cudnn7.1.4+tensorflow1.9。】(上)

本机配置:i7-8700 GTX1070。经测试,本方案在i7-9700K TITAN XP; i7-7700K TITAN X上都也适用:

在安装之前首先感谢实验室师弟写的博客,但是写的估计有点乱,为了实验室以后装cuda这些东西方便一些,这里配上图,改进了一下之前师弟写的教程,更易懂一点:

1.安装nvidia-384:

进入软件更新,附加驱动,选择nvidia-384,之后点击右下角的应用更改,然后输入密码,等它安装:,你也可以通过手动安装驱动安装

安装成功之后会提示我们重启:

然后我们选择重启。或者参考网址

重启之后我们进入终端,输入命令:

nvidia-smi

如果能显示出下图类似的信息,则说明安装成功了:

2.检查相关环境配置:

在安装之前我们先更新一下,具体操作如下所示:

之后:

可能需要更新一些东西,我们输入y,然后回车就可以啦。之后系统就会自动下载更新一些东西。装完之后我们会显示如下信息:

就是不报错就可以了,我们接下来做一些测试:

1.验证自己的电脑是否有一个可以支持CUDA的GPU:

你可以在电脑的配置信息中找到显卡的具体型号,如果你是双系统,在windows下的设备管理器中也可以查到显卡的详细信息;在ubuntu下面的话,你可以通过下面这行命令来简单查看一下NVIDIA GPU版本信息:

lspci | grep -i nvidia

2.验证自己的linux版本是否支持CUDA:

uname -m && cat /etc/*release

3.验证系统是否安装了gcc

gcc --version

其实这个刚装完系统的话应该都装好了,但是为了保险起见,你还是可以查看一下,如果你没有安装的话,你可以采取下面的命令对其进行安装:

sudo apt-get install build-essential

4.验证系统是否安装了kernel header和package development:

a.查看正在运行的系统内核版本:

uname -r

b.安装对应kernel版本的kernel header和package development:

sudo apt-get install linux-headers-$(uname -r)

这个的话表示系统中已经有了,不用重复安装。

如果以上各项检查均满足要求的话,接下来就可以正式地进入安装界面了,如果有些地方没有满足要求的话,你需要参考cuda的官方文档,里面有详细的针对每个问题的解决方案。在以下链接中可以找到:https://docs.nvidia.com/cuda/

3.安装cuda:

我们首先进入nvidia的官方cuda9.0下载网页https://developer.nvidia.com/cuda-90-download-archive

我们按照上述方案进行选择,之后选择下载Base Installer。下载完成之后的话,我们会在ubuntu的下载目录下找到:

但是我一般将其安装在home文件夹下面,所以我需要将其复制到home文件夹下面:

之后的话,我们可以采用MD5检验序号,看看序号是否会对得上:

cuda_9.0.176_384.81_linux.run

可以看到这里的版本是对到的,那么没有什么问题,一切都很正常。接下来的话,我们需要采用runfile安装cuda:

1.禁用nouveau驱动:

lsmod | grep nouveau

可以看到,我的电脑是没有输出的。如果有输出的话则代表nouveau正在加载,我们需要手动禁止掉(由于我的电脑是已经被禁止掉了的,所以下面禁止的方法并没有试验过,大家慎重一点):

Ubuntu的nouveau禁用方法:

a、在/etc/modprobe.d中创建文件blacklist-nouveau.conf,命令如下:

sudo gedit /etc/modprobe.d/blacklist-nouveau.conf

在文件中输入以下内容:

blacklist nouveau

           options nouveau modeset=0

b.执行命令:

sudo update-initramfs –u

之后再次查看是否禁止成功:

lsmod | grep nouveau

若无内容输出,则禁用成功,若仍有内容输出,请检查操作,并重复上述操作。

2.按Alt + ctrl +F1进入命令行界面:

输入自己的用户名以及密码:

这里的话会显示中文乱码,我们可以下载一个包来解决这个问题:

sudo apt-get install fbterm

之后启动它:

sudo fbterm

然后我们进入zhiqianghe这个用户(每个人设定的不同):

su zhiqianghe

得到下面的界面:

之后我们关闭图形化界面:

sudo service lightdm stop


相关文章
|
机器学习/深度学习 算法 测试技术
深度学习环境搭建笔记(二):mmdetection-CPU安装和训练
本文是关于如何搭建深度学习环境,特别是使用mmdetection进行CPU安装和训练的详细指南。包括安装Anaconda、创建虚拟环境、安装PyTorch、mmcv-full和mmdetection,以及测试环境和训练目标检测模型的步骤。还提供了数据集准备、检查和网络训练的详细说明。
1225 5
深度学习环境搭建笔记(二):mmdetection-CPU安装和训练
|
并行计算 PyTorch TensorFlow
Ubuntu安装笔记(一):安装显卡驱动、cuda/cudnn、Anaconda、Pytorch、Tensorflow、Opencv、Visdom、FFMPEG、卸载一些不必要的预装软件
这篇文章是关于如何在Ubuntu操作系统上安装显卡驱动、CUDA、CUDNN、Anaconda、PyTorch、TensorFlow、OpenCV、FFMPEG以及卸载不必要的预装软件的详细指南。
12720 4
|
Ubuntu Linux Shell
Ubuntu gnome WhiteSur-gtk-theme类mac主题正确安装和卸载方式
通过这个过程,用户不仅可以定制自己的桌面外观,还可以学习到更多关于 Linux 系统管理的知识,从而更好地掌握系统配置和主题管理的技巧。
2460 12
|
Ubuntu NoSQL Linux
《docker基础篇:3.Docker常用命令》包括帮助启动类命令、镜像命令、有镜像才能创建容器,这是根本前提(下载一个CentOS或者ubuntu镜像演示)、容器命令、小总结
《docker基础篇:3.Docker常用命令》包括帮助启动类命令、镜像命令、有镜像才能创建容器,这是根本前提(下载一个CentOS或者ubuntu镜像演示)、容器命令、小总结
717 6
《docker基础篇:3.Docker常用命令》包括帮助启动类命令、镜像命令、有镜像才能创建容器,这是根本前提(下载一个CentOS或者ubuntu镜像演示)、容器命令、小总结
|
Ubuntu TensorFlow 算法框架/工具
如何在Ubuntu上安装TensorFlow 24.04
如何在Ubuntu上安装TensorFlow 24.04
|
机器学习/深度学习 并行计算 PyTorch
深度学习环境搭建笔记(一):detectron2安装过程
这篇博客文章详细介绍了在Windows环境下,使用CUDA 10.2配置深度学习环境,并安装detectron2库的步骤,包括安装Python、pycocotools、Torch和Torchvision、fvcore,以及对Detectron2和PyTorch代码的修改。
3436 1
深度学习环境搭建笔记(一):detectron2安装过程
|
PyTorch TensorFlow 算法框架/工具
Jetson环境安装(一):Ubuntu18.04安装pytorch、opencv、onnx、tensorflow、setuptools、pycuda....
本文提供了在Ubuntu 18.04操作系统的NVIDIA Jetson平台上安装深度学习和计算机视觉相关库的详细步骤,包括PyTorch、OpenCV、ONNX、TensorFlow等。
1505 1
Jetson环境安装(一):Ubuntu18.04安装pytorch、opencv、onnx、tensorflow、setuptools、pycuda....
|
并行计算 TensorFlow 算法框架/工具
tensorflow安装
tensorflow安装——GPU版
497 2
|
机器学习/深度学习 运维 安全
深度学习在安全事件检测中的应用:守护数字世界的利器
深度学习在安全事件检测中的应用:守护数字世界的利器
569 22
|
机器学习/深度学习 编解码 人工智能
计算机视觉五大技术——深度学习在图像处理中的应用
深度学习利用多层神经网络实现人工智能,计算机视觉是其重要应用之一。图像分类通过卷积神经网络(CNN)判断图片类别,如“猫”或“狗”。目标检测不仅识别物体,还确定其位置,R-CNN系列模型逐步优化检测速度与精度。语义分割对图像每个像素分类,FCN开创像素级分类范式,DeepLab等进一步提升细节表现。实例分割结合目标检测与语义分割,Mask R-CNN实现精准实例区分。关键点检测用于人体姿态估计、人脸特征识别等,OpenPose和HRNet等技术推动该领域发展。这些方法在效率与准确性上不断进步,广泛应用于实际场景。
1500 64
计算机视觉五大技术——深度学习在图像处理中的应用