GPU云服务器深度学习基本使用攻略
原创
本文讲解了如何安装cuda、cudnn以及如何在服务器上创建并管理虚拟环境，我们只有学会这些基本的使用方法，才能进入深度学习环境，开始我们的学习与研究，所以这部分内容是基本而十分重要的。
Cuda安装
1. 下载CUDA Toolkit 官网网址：https://developer.nvidia.com/cuda-toolkit-archive
CUDA Toolkit Archive | NVIDIA Developer
2. 安装 你自己可以建个文件夹，然后在文件夹中输入上述两条命令：用上图installation instruction下面的命令
wget http://developer.download.nvidia.com/compute/cuda/10.2/Prod/local_installers/cuda_10.2.89_440.33.01_linux.run
sudo sh cuda_10.2.89_440.33.01_linux.run
3. 在出现的提示中选择continue和accept,直到出现install提示：
添加环境变量 sudo vim /etc/profile #(对所有用户） sudo vim ~/.bashrc #(对当前用户)
4. 末行添加并保存退出。（检查一下自己的地址） export PATH=/usr/local/cuda-10.2/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda-0.2/lib64:$LD_LIBRARY_PATH
5. 然后source激活
source /etc/profile #(对所有用户）
或者
source ~/.bashrc #(对当前用户)
6. 终端输入
cd /usr/local/cuda-10.2/samples/1_Utilities/deviceQuery sudo make ./deviceQuery
出现Result = PASS则表示安装成功通过！！如果没有Pass重启试试！
4. 检查驱动版本和CUDA toolkit
cat /proc/driver/nvidia/version nvcc -V
在终端输入命令，实时查看GPU的使用情况：
CuDNN安装
1. 下载cuDNN Library for Linux （需注册账号：https://developer.nvidia.com/）
https://developer.nvidia.com/rdp/cudnn-download
2. 解压下载好的文件，解压后cuDNN的文件夹名称为cuda（按照自己指令修改）
tar -zxvf cudnn-10.2-linux-x64-v7.6.5.32.tgz
3. 将cuDNN内容复制到CUDA安装文件中，即将cuDNN解压后的cuda文件中内容复制到/usr/local的CUDA中。（这里需要检查自己路径）
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 sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
4. 验证cudnn是否安装成功
sudo dpkg -i libcudnn7_7.6.5.32-1+cuda10.2_amd64.deb sudo dpkg -i libcudnn7-dev_7.6.5.32-1+cuda10.2_amd64.deb sudo dpkg -i libcudnn7-doc_7.6.5.32-1+cuda10.2_amd64.deb
5. 当选择Debian File进行安装时会在/usr/src/cudnn_samples_v7有一些cudnn的例子，编译mnistCUDNN sample进行验证
cp -r /usr/src/cudnn_samples_v7/ $HOME cd $HOME/cudnn_samples_v7/mnistCUDNN make clean && make ./mnistCUDNN
如果安装成功将会有如下图所示的：Test passed!
6. 查看是否安装成功
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
anaconda管理环境并验证tf-gpu是否可用
1. 查看当前存在哪些虚拟环境 conda env list
2. 创建Python虚拟环境
conda create -n your_env_name python=3.6
例如：conda create -n Face_Rec python=3.6
3. 激活并进入环境
activate env_name
例如：activate Face_Rec
4. 在环境中安装需要的库
例如：pip install tensorflow==1.13.1
5. 检测tensorflow-gpu（1.13.1）是否能用代码如下： import tensorflow as tf import os os.environ['TF_CPP_MIN_LOG_LEVEL']='2' print(tf.__version__) a = tf.constant(1.) b = tf.constant(2.) c = tf.constant([1.0,2.0]) d = tf.constant([2.0,3.0]) r = a + b m = c + d sess=tf.InteractiveSession() print(r) print(r.eval()) print(m) print(m.eval()) print('GPU:', tf.test.is_gpu_available()) sess.close()
最后直接运行自己代码训练就可以了，很感激腾讯云 GPU 云服务器为我们提供便利，我会一直关注并推荐给周围的人。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。