Ubuntu配置深度学习环境（TensorFlow和PyTorch）

---

前言：最好是去这里看一下TensorFlow对应的CUDA版本，按照要求的版本安装，我是因为有其他程序必须要11.6才没有按照这个要求安装，但是安装流程是一样的。

一、CUDA安装

1.1 安装显卡驱动

查看推荐显卡

ubuntu-drivers devices
1

安装recommend推荐显卡版本，这里推荐的是535版本

sudo apt-get install nvidia-driver-535
1

要选择版本不然会自动更新内核。 但是我安装535会黑屏，只能安装了510，由于是刚安装的系统，更新了内核也没太大的影响，另外安装版本太低的话也不行，因为下面安装CUDA要求最小版本

1.2 CUDA安装

使用手动安装方法：

nvidia-smi
1

查看显卡驱动支持最高CUDA版本是12.1， 到cuda-toolkit-archive，选择需要的CUDA版本下载（你需要的与TensorFlow匹配的版本），如下图，选择runfile(local)，并使用生成的指令进行下载和安装

回车取消安装显卡驱动，然后选择最后的安装：

安装成功之后环境配置，在.bashrc文件末尾添加环境变量：

sudo gedit ~/.bashrc
# 添加以下内容：
export PATH=/usr/local/cuda-11.6/bin${PATH:+:${PATH}} 
export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
1
2
3
4

或者终端输入以下命令添加：

# Taken from: https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#post-installation-actions
echo 'export PATH=/usr/local/cuda-11.6/bin${PATH:+:${PATH}}' >> ~/.bashrc
echo 'export LD_LIBRARY_PATH=/usr/local/cuda-11.6/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc
1
2
3

验证是否安装成功

nvcc -V
1

1.3 安装cuDNN

成功安装完CUDA之后，官网下载CUDA对应版本的cuDNN，前往cudnn-archive（需要注册账号），这里我选择的是8.9.4版本的cuDNN（Local Installer for Linux x86_64 (Tar)），对应11.x版本的CUDA（找到与你的CUDA对应的版本）：

下载完成后，在文件所在目录解压缩，注意自己下载文件的名称

tar -xvf cudnn-linux-x86_64-8.9.4.25_cuda11-archive.tar.xz
1

解压缩完成后，将部分文件复制转移/usr/local（注意：自己下载文件的名称， cudnn8.0以上会将版本信息更新到cudnn_version.h文件中，也需要将这个文件复制，否则验证的时候会没有反应） ：

cd cudnn-linux-x86_64-8.9.4.25_cuda11-archive
sudo cp include/cudnn.h /usr/local/cuda/include/ 
sudo cp lib/libcudnn* /usr/local/cuda/lib64/ 
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*
sudo cp include/cudnn_version.h /usr/local/cuda/include/
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2  #验证
1
2
3
4
5
6
7

二、Anaconda安装

进入Anaconda官网，点击Download下载（Anaconda会根据访问网页所使用的系统下载对应的版本，比如我这里下载的是Anaconda3-2023.03-Linux-x86_64.sh）

安装Anaconda

bash Anaconda3-2023.03-Linux-x86_64.sh
1

（1）查看安装协议，一直按Enter直到出现 Do you accept the license terms? [yes|no] ，输入yes即可继续安装；
（2）输入yes后会提示确认安装位置，这里点击Enter，默认即可；
（3）初始化Anaconda，这一步只需要根据提示输入yes即可；

重启终端进入conda基础环境，可以检查一下在此环境下的python位置和版本：

如果希望 conda 的基础环境在启动终端时不被激活，将 auto_activate_base 参数设置为 false：

conda config --set auto_activate_base false
1

后面想要再进入conda的base环境，只需要使用conda指令激活：

conda activate base
1

conda常用命令：

• 创建conda环境

conda create --name 环境名 包名（多个包名用空格分隔）
# 例如：conda create --name my_env python=3.7 numpy pandas scipy
1
2

• 列出所有虚拟环境

conda env list
1

• 激活（切换）conda环境

conda activate 环境名
# 例如：conda activate bas
1
2

• 显示已创建的conda环境

conda info --envs
# 或者：conda info -e，亦或者conda env list
1
2

• 删除指定的conda环境，

# 通过环境名删除
conda remove --name 要删除的环境名 --all

# 通过指定环境文件位置删除（这个方法可以删除不同位置的同名环境）
conda remove -p 要删除的环境所在位置 --all
# 例如：conda remove -p /home/zard/anaconda3/envs/MaskRCNN --all
1
2
3
4
5
6

三、安装TensorFlow和pyTorch

3.1 安装pyTorch

进入pyTorch官网（https://pytorch.org/），往下拉，选择你的环境生成安装命令：

复制安装命令：

conda install pytorch torchvision torchaudio pytorch-cuda=11.7 -c pytorch -c nvidia
1

输入y安装（可能需要科学上网）：

测试是否能够使用：

ipython

import torch
torch.cuda.is_availbale()
1
2
3
4

3.2 安装TensorFlow2

# 创建一个虚拟环境
conda create -n tensorflow2 python=3.7
# 激活环境
conda activate tensorflow2

pip install ipython
pip install tensorflow -U

# 使用清华大学的镜像源安装
pip install ipython -i  https://pypi.tuna.tsinghua.edu.cn/simple/
pip install tensorflow -U -i  https://pypi.tuna.tsinghua.edu.cn/simple/
1
2
3
4
5
6
7
8
9
10
11

注意不要pip install tensorflow-gpu，会报以下错误，根据提示消息这时候安装tensorflow也是可以使用GPU的。
两种方法都可以让你的 TensorFlow 安装使用 GPU 加速（事实上，自 TensorFlow 2.1 版本开始，两个包在功能上基本相同），具体来说：

• 使用 pip install --upgrade tensorflow 安装 TensorFlow 时，TensorFlow 应该能够自动检测和使用可用的 GPU 进行加速，前提是您的系统满足了相关的 GPU 驱动程序、CUDA 工具包和 cuDNN 库的要求。这是因为 TensorFlow 是一个通用框架，它可以在 CPU 和 GPU 上运行，但需要正确的配置和依赖项来利用 GPU。
• 使用 pip install --upgrade tensorflow-gpu 安装 TensorFlow-GPU 版本时，它已经专门配置为利用 GPU 加速，无需额外的配置。

无论选择哪种方法，只要满足了 GPU 驱动程序、CUDA 工具包和 cuDNN 库的要求，TensorFlow 都应该能够正确地使用 GPU 进行加速。

可以通过检查可用的 GPU 数量来验证是否已启用 GPU 加速：

import tensorflow as tf
tf.test.is_gpu_available()
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
1
2
3

四、安装pyCharm

4.1 pyCharm的安装

进入官网（https://www.jetbrains.com.cn/en-us/pycharm/）下载pycharm

点击下载，往下翻，下载Community版本

下载完成后解压，进入bin目录，运行.sh文件

cd pycharm-community-2023.2.1/bin/
sh pycharm.sh
1
2

界面启动后，在打开的Pycharm软件界面左下角，点击设置图标，选择Create Deasktop Entry。关闭Pycharm，点击左下角显示应用程序，找到Pycharm，即可开始使用
点击进入plugins，选择Marketplace，搜索chinese，找到中文语言包（图标上有个“汉”字）进行安装，安装好后重启pycharm即可

4.2 关联anaconda的Python解释器

创建新项目之后，打开设置，选择python解释器：

添加python解释器，选择Conda环境，选择我们之前创建的虚拟环境：

可以看到我们安装的库已经有了

五、VScode配置anaconda的Python虚拟环境

实际上，我更习惯使用VScode，其简洁方便，我在使用Pycharm时总是遇到卡死的情况，并且字体，主题等等令人不爽，下面使用VScode配置anaconda的Python虚拟环境
首先我们要知道虚拟环境的python解释器位置，它位于#{YOUHOME}/anaconda3/envs/#{YOUEVN}/bin/python，例如我上面创建的虚拟环境：

然后在VScode左下角的设置中搜索python path，找到解释器路径设置，填入虚拟环境的解释器：

接下来就可以愉快使用啦（按F5运行哦）：