昨天折腾了一个下午开发环境的配置,记录一下其中遇到的坑。

硬件配置

我的硬件配置(XPS 15 9550):

基本上就只处于玩票的状态, 实验室快给我配1080啊~~~

上一个 NVIDIA 钦定的 DevBox 配置:

Name Description
GPUs 8x Tesla P100
TFLOPS (GPU FP16 /CPU FP32) 1703
GPU Memory 16 GB per GPU
CPU Dual 20-core Intel® Xeon®E5-2698 v4 2.2 GHz
NVIDIA CUDA® Cores 28672
System Memory 512 GB 2133 MHz DDR4
Storage 4x 1.92 TB SSD RAID 0
Network Dual 10 GbE, 4 IB EDR
Software Ubuntu Server Linux OSDGX-1 Recommended GPUDriver
System Weight 134 lbs
System Dimensions 866 D x 444 W x 131 H (mm)
Packing Dimensions 1180 D x 730 W x 284 H (mm)
Maximum Power Requirements 3200W
Operating Temperature Range 10 - 30°C

这简直是吾辈梦想神机啊… 然而要 $129000 !

系统环境

推荐是用 Ubuntu 最新的 LTS 版本 16.04.1, 对 Skylake 系列的 CPU 和主板的支持都很不错. 关于在 XPS 15 9550 上的详细配置过程, 我计划稍后专门写一篇.

本来想在 macOS 上跑的, 奈何黑苹果不支持独显.

安装 CUDA

CUDAcuDNN 的安装在 NVIDIA 与 Tensorflow的官网上都有详细说明, 此处仅就一些关键环节作出说明.

  $ sudo apt-get purge nvidia-*
  $ sudo add-apt-repository ppa:graphics-drivers/ppa
  $ sudo apt-get update
  $ sudo apt-get install nvidia-370
  $ sudo service lightdm stop

之后再执行安装过程

  export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda/lib64:/usr/local/cuda/extras/CUPTI/lib64"
  export CUDA_HOME=/usr/local/cuda

安装 cuDNN

官网下载之后, 执行以下命令 (目前最新版本5.1):

tar xvzf cudnn-8.0-linux-x64-v5.1-ga.tgz
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*

安装Tensorflow

这是最纠结的一步, 之前按照别人教程说最好从源码编译支持 GPU. 但是由于国内的网络环境, 源码编译需要下一堆的依赖包, 速度超级慢. 因此还是使用官网推荐的 pip 安装方式:

# Get pip
$ sudo apt-get install python-pip python-dev

# Ubuntu/Linux 64-bit, GPU enabled, Python 2.7
# Requires CUDA toolkit 8.0 and CuDNN v5. For other versions, see "Install from sources" below.
$ export TF_BINARY_URL=https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl

# Python 2
$ sudo pip install --upgrade $TF_BINARY_URL
  • 可以先把tensorflow-0.11.0rc1-cp27-none-linux_x86_64.whl下下来, 本地执行安装命令
  • 可以使用国内的 pip 源, 加快安装依赖的速度

测试 Tensorflow

用下面的小例子来测试下 Tensorflow 安装得成不成功:

$ python
...
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))
Hello, TensorFlow!
>>> a = tf.constant(10)
>>> b = tf.constant(32)
>>> print(sess.run(a + b))
42
>>>

import的同时, 还会显示 CUDA 方面与 GPU 方面的信息.

至此大功告成!

Docker for tensorflow

其实在这期间还试过直接用装了 Tensorflow 的 Docker 镜像, 也有支持 GPU 的版本. 各位如有兴趣可以试试: