深度学习平台TensorFlow环境搭建【GPU版】

系统 Ubuntu14.04.4 LTS x64

GPU NVIDIA GeForce GTX 750Ti

TensorFlow GPU版本首先需要安装NVIDIA显卡驱动，并且需要CUDA以及cuDNN支持，这里采用的显卡驱动版本为375.39，CUDA版本为8.0，cuDNN版本为5.1。具体安装过程请见深度学习平台Caffe环境搭建【GPU版】

安装完成之后，开始搭建TensorFlow平台。

首先安装libcupti-dev library，官方给出的解释为NVIDIA CUDA Profile Tools Interface。其实就是NVIDIA的一个库。执行命令：

sudo apt-get install libcupti-dev

官方给出了4种安装方法，因为电脑里面已经装有Caffe，为了避免产生冲突，这里选择使用virtualenv安装，virtualenv是一个python管理工具，它可以创建一个独立的python环境，程序运行在这里面可以不受其他python library版本的影响。使用python 2.7，执行命令：

sudo apt-get install python-pip python-dev python-virtualenv

创建一个名为tensorflow的virtualenv环境

virtualenv --system-site-packages ~/tensorflow

激活virtualenv环境

source ~/tensorflow/bin/activate

此时在命令行的最前面会出现(tensorflow)，表示环境激活成功。

接下来安装TensorFlow GPU版本。

pip install --upgrade tensorflow-gpu

可能出现问题：

Downloading/unpacking tensorflow-gpu

Could not find any downloads that satisfy the requirement tensorflow-gpu

Cleaning up...

No distributions at all found for tensorflow-gpu

Storing debug log for failure in /tmp/tmpmUPZAM

这是因为pip的版本过低，执行命令：

pip install -U pip

升级pip之后，再次执行TensorFlow GPU版本安装命令。

安装完成之后，执行deactivate关闭环境。

为了以后激活tensorflow环境更加简单，执行以下命令将tensorflow激活命令写入bash

sudo printf '\nalias tensorflow="source ~/tensorflow/bin/activate"' >>~/.bashrc

刷新bash之后，键入tensorflow即可激活tensorflow环境。

激活tensorflow环境后开始测试。

进入python，执行以下命令：

>>> 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

出现上述结果说明安装成功。

执行测试demo

# encoding: utf-8
import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
rng = numpy.random

learning_rate = 0.01
training_epochs = 1000
display_step = 50

# 数据集x
train_X = numpy.asarray([3.3,4.4,5.5,7.997,5.654,.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,9.27,3.1])
# 数据集y
train_Y = numpy.asarray([1.7,2.76,3.366,2.596,2.53,1.221,1.694,1.573,3.465,1.65,2.09,
                         2.827,3.19,2.904,2.42,2.94,1.3])

n_samples = train_X.shape[0]
X = tf.placeholder("float")
Y = tf.placeholder("float")

W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

pred = tf.add(tf.multiply(X, W), b)

cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)

    # 训练数据
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

    print "优化完成!"
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print "Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n'

    #可视化显示
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

出现结果

至此tensorflow安装结束，可以开始构建网络了。

深度学习平台TensorFlow环境搭建【GPU版】

猜你喜欢