Deepin配置TF GPU环境

更新

2018年10月29日更新。

使用conda安装GPU加速版本的TensorFlow时，将自动安装GPU支持所需的CUDA和CuDNN库。不需要再额外安装这些库了。而且与 pip 安装相比，conda 安装可以带来超过8倍的CPU速度提升。因此推荐通过conda安装TensorFlow。

前言

服务器在升级维护，打算先在本机上做Mask RCNN，之前一直懒得去折腾这些，这次一次搞清楚了，记录一下。 总体参照的是下面这篇博客： https://blog.csdn.net/aaronjny/article/details/79330727

第一步：检查

我自己电脑上是有GPU的，查看方式是安装nvidia-smi

sudo apt-get install nvidia-smi

直接在终端运行nvidia-smi输出GPU信息。

然后检查有没有gcc，gcc —version,输出gcc版本

安装cuda

一句话完成：

sudo apt install nvidia-cuda-dev nvidia-cuda-toolkit nvidia-nsight nvidia-visual-profiler

安装的时候能看到安装的是什么版本，比如我这里是9.1。

安装完有一个警告，再安装一下这个： sudo apt-get install console-setup

安装cudnn

首先下载cudnn,https://developer.nvidia.com/cudnn 对压缩包进行解压，得到一个名为cuda的文件夹。 然后执行下面的步骤：

• 第一，将解压出来的cuda/include/下的cudnn.h文件复制到/usr/local/include/目录下。
• 第二，将cuda/lib64/目录下的所有文件复制到python环境的tensorflow包的tensorflow/python/目录下。

安装Tf GPU版本

conda install tensorflow-gpu

测试

正常输出显卡信息则安装完成。