Ubuntu18.04LTS下基于 Anaconda3 安装 Caffe-GPU及 Python3.6 + Pycharm + Mnist例子教程(超详细)

本文主要是介绍Ubuntu18.04LTS下基于 Anaconda3 安装 Caffe-GPU及 Python3.6 + Pycharm + Mnist例子教程(超详细),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

PDF版本请点击此处下载

1.    配置Anaconda3

1.1.  下载安装包

官网下载地址:https://www.anaconda.com/download/#linux


1.2.  安装

下载完之后是后缀.sh文件

在终端输入:bash Anaconda3-5.0.0.1-Linux-x86_64.sh

2.    切换默认Python版本

2.1.  查看Python版本

终端输入python查看版本,如果默认不是python3,则在终端输入:

sudo update-alternatives --install /usr/bin/python python /usr/bin/python2 100

sudo update-alternatives --install /usr/bin/python python /usr/bin/python3 150  

执行完上述两行命令之后在终端输入python,如果第一行信息是3.6,则成功。效果图如下:


如果要切换到Python2,执行:

sudo update-alternatives --config python

2.2.  添加环境变量

将Python添加到环境变量中。

如果在安装Anaconda的过程中没有将安装路径添加到系统环境变量中,需要在安装后手工添加。

# 打开profile文件

$sudo gedit /etc/profile

# 在文件末尾处添加

exportPATH=/home/liguangyao/anaconda3/bin:$PATH

其中,将“/home/liguangyao/anaconda3/bin”替换为你实际的安装路径,然后保存。


2.3.  使环境变量生效

让etc/profile文件修改后立即生效,有以下三种方法:

# 方法一 (注意:.和/etc/profile之间有空格)

. /etc/profile 

# 方法二:在终端输入

source /etc/profile

# 方法三:在终端输入

source ~/.bashrc

然后重启系统,打开终端,输入Python,出现以下界面,表明设置成功。


也可以在终端输入ecoh $PATH查看已有的环境变量 ,确认输出是否已经有Anaconda路径了。

3.    安装Pycharm

参考Ubuntu安装Pycharm并添加系统快捷启动图标

4.    Cuda9.0安装

4.1. NVIDIA驱动安装

Ubuntu18.04自带了NVIDIA驱动,但是它没有安装完整,不能在终端使用nvidia-smi命令查看,在之后的CUDA编译测试里面也会出现问题,因此需要重新安装。重新安装的方式如下:

# 首先,检测你的NVIDIA图形卡和推荐的驱动程序的模型

ubuntu-drivers devices

从中可以看到,这里有一个设备是Quadro K2000,对应的驱动是NVIDIA -390和340,系统推荐的安装390版本的驱动。有两种方法:

方法一、选择安装所有推荐的驱动

sudo ubuntu-drivers autoinstall

方法二、只安装其中一个驱动

sudo apt install nvidia-390

笔者选择第一种方式,执行完命令后,在终端输入:nvidia-smi 可以得到相关信息。

4.2. 降级GCC

因为Ubuntu18.04默认gcc7.0,而CUDA9.0只支持gcc6.0及以下版本,因此需要降级,笔者选择降级到的版本是gcc5.5版本。

# 首先查看自己的版本

gcc –version

笔者机器显示7.3.0,因此降级版本并激活。


# 在终端输入

sudo apt-get install gcc-5 g++-5

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-5 50

sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-5 50

# 这时候再在终端输入

gcc –version

如果显示是5.5版本则OK。如果出现其他错误未降级情况,请自行百度/Google查看解决方案。

4.3. 依赖库的安装

# 在终端输入

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev

sudo apt-get install libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev


成功安装完依赖库!

4.4. 安装Cuda9.0

官网地址:点击此处进入



下载后存放的目录需要记住。

#在安装包存放目录处打开终端输入

Sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb


sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub


sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update_1.0-1_amd64.deb

sudo dpkg -i cuda-repo-ubuntu1704-9-0-local-cublas-performance-update-2_1.0-1_amd64.deb


Sudo apt-get update

#这一步可能会出现如下错误:

The following packages have unmet dependencies:

cuda : Depends: cuda-9-0 (>= 9.0.176) but it is not going to beinstalled

E: Unable to correct problems, you have held broken packages.

解决方法参见博客:Ubuntu18.04 LTS下Caffe-GPU版本安装常见错误

#在终端继续执行:

Sudo apt-get install cuda

在/usr/local目录下可以看到cuda和cuda-9.0两个文件夹,表面安装成功,接下来进行环境变量配置。

4.5. 环境配置

完成以上的步骤以后一定要进行环境的配置。步骤如下:

#打开终端输入

sudo gedit ~/.bashrc

# 会弹出一个可写的配置文件,在末尾把以下配置写入并保存

export CUDA_HOME=/usr/local/cuda-9.0

export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:$LD_LIBRARY_PATHs

export PATH=/usr/local/cuda-9.0/bin:$PATH

export LD_LIBRARY_PATH="/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/lib64"


# 最后执行

source ~/.bashrc

重启电脑。

4.6. 安装测试

在安装的时候也相应安装了一些cuda的一些例子,可以进入例子的文件夹然后使用make命令执行。

从网上找了两个例子,例一:

# 第一步,进入例子文件

cd /usr/local/cuda-9.0/samples/1_Utilities/deviceQuery

# 第二步,执行make命令

sudo make

# 第三步,运行Demo

./deviceQuery

如果结果有GPU的信息,说明安装成功。


例二:

# 进入例子对应的文件夹

 cd /usr/local/cuda/samples/5_Simulations/fluidsGL

# 执行make

 sudo make clean && sudo make

# 运行

 ./fluidsGL


自带例子测试通过,Cuna9.0安装配置完成!

5.    CuDnn7.0安装

官网下载地址:点击这里(需要注册个账号):

为适应Cudn9.0,笔者下载的是CuDnnv7.0.4 (Nov 13, 2017), for CUDA 9.0。笔者下载完的CuDnn是.solitairetheme8格式的文件。



# 解压

tar -xvzf cudnn-9.0-linux-x64-v7.solitairetheme8

# 在终端输入

sudocp cuda/include/cudnn.h   /usr/local/cuda/include

# 注意,解压后的文件夹名称为cuda ,将对应文件复制到 /usr/local中的cuda内

sudocp cuda/lib64/libcudnn*    /usr/local/cuda/lib64 

sudochmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

此处Cudnn安装完成.

# 在终端输入(此处的V是大写)

nvcc –V

安装成功!(若没有显示,可以重启电脑)

6.    Caffe-GPU安装

# 在终端输入

sudo apt install caffe-cuda

6.1.基本依赖库的安装

# 在终端输入

sudo apt-get install libprotobuf-dev libleveldb-dev libsnappy-dev libopencv-dev

sudo apt-get install libhdf5-serial-dev protobuf-compiler

sudo apt-get install --no-install-recommends libboost-all-dev

sudo apt-get install libopenblas-dev liblapack-dev libatlas-base-dev

sudo apt-get install libgflags-dev libgoogle-glog-dev liblmdb-dev

6.2.配置

# 首先我们要从GitHub的远端下载caffe的源码

git clone https://github.com/BVLC/caffe.git


cd caffe sudo cp Makefile.config.example Makefile.config

sudo gedit Makefile.config

进入caffe根目录,用编辑器打开Makefile.config文件。笔者选择SublimeText。

6.2.1.修改Makefile.config的配置文件

# 将第5行注释去除

USE_CUDNN:= 1

# 将第21行注释去除

 OPENCV_VERSION := 3

将第37和38行注释或者删除

修改后如图所示

将第51行BLAS:= atlas注销,换成BLAS := open

将Python2环境注销,换成Anaconda3下的Python环境

将PYTHON_LIB:= /usr/lib注释

取消PYTHON_LIB:= $(ANACONDA_HOME)/lib的注释

INCLUDE_DIRS :=$(PYTHON_INCLUDE) /usr/local/include /usr/local/hdf5/include

LIBRARY_DIRS :=$(PYTHON_LIB) /usr/local/lib /usr/lib /usr/local/hdf5/lib

删除以下黄色背景操作
6.2.2.修改Makefile文件

在终端输入:sudo gedit Makefile

# 这行去掉  

NVCCFLAGS+= -ccbin=$(CXX) -Xcompiler -fPIC $(COMMON_FLAGS)

# 添加这行

NVCCFLAGS += -D_FORCE_INLINES -ccbin=$(CXX)-Xcompiler -fPIC $(COMMON_FLAGS)  

6.3.    Caffe源码中安装Python的必要项

# 在终端输入

cd /home/liguangyao/programming/caffe/python 

for req in $(cat requirements.txt); do pip install $req; done

6.4.   编译

# 进入caffe的根目录下

cd /home/liguangyao/Programming/caffe

sudo make clean

sudo make all -j4 (-j4表示使用4核处理器执行当前指令)


sudo make test -j4 (最好加上sudo防止有些文件的访问权限不够)

sudo make runtest -j4  

此步可能会报错,解决方法参见博客:Ubuntu18.04 LTS下Caffe-GPU版本安装常见错误


sudo make pycaffe -j4(配置pycaffe


返回上一目录,输入Python测试


Congratulations!Caffe-GPU编译成功!

7.    MNIST 模型

#进入Caffe根目录

 cd /home/liguangyao/Programming/caffe

7.1. 数据集准备

#下载数据集

sudo ./data/mnist/get_mnist.sh

#转换数据格式

sudo ./examples/mnist/create_mnist.sh

7.2. 数据集训练

#训练

sudo ./examples/mnist/train_lenet.sh

#训练完成后如下所示:


7.3. 数据集测试

有三种接口可以进行数据集测试,分别是命令行、Python和MATLAB,笔者采用命令行进行测试。

在在caffe根目录下创建文件。在终端输入:

touch test_lenet.sh

sudo gedit test_lenet.sh

在文件中添加:

./build/tools/caffe.bin test -modelexamples/mnist/lenet_train_test.prototxt -weightsexamples/mnist/lenet_iter_10000.caffemodel -iterations 100

#在终端执行

sudo sh test_lenent.sh

Congratulations!测试成功!至此,Caffe-GPU版本安装测试完毕!

可以尽情的开启Caffe深度学习之旅了!

8.    参考资料

1. 虚拟机中ubuntu17.04+python3.6+anaconda3配置caffe(CPU)

2. linux配置Anacondapython集成环境

3. Ubuntu安装Pycharm并添加系统快捷启动图标

4. ubuntu17.04以上版本安装gpu版caffe

5. 真实机下ubuntu 18.04安装GPU +CUDA+cuDNN以及其版本选择

6. Ubuntu18.04+CUDA9.0+cuDNN7.1.3+TensorFlow1.8安装总结

7. 最全TensorFlow-gpu-1.8/1.3+Ubuntu18.04+CUDA9.0+cudnn7.0+Anaconda+pycharm+libcublas.so.9.0缺少解决办法

8. Ubuntu14.04下安装tensorflow1.7 (Cuda9.0+cudnn7.0)

9. Ubuntu18.04深度学习GPU环境配置

10. 【CPU + GPU版】Ubuntu16.04 + caffe + Anaconda2 + OpenCV3.x(附:问题集锦+测试案例)

11. ubuntu 17.10+ caffe(CPU)环境搭建

这篇关于Ubuntu18.04LTS下基于 Anaconda3 安装 Caffe-GPU及 Python3.6 + Pycharm + Mnist例子教程(超详细)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1112617

相关文章

Spring Security 从入门到进阶系列教程

Spring Security 入门系列 《保护 Web 应用的安全》 《Spring-Security-入门(一):登录与退出》 《Spring-Security-入门(二):基于数据库验证》 《Spring-Security-入门(三):密码加密》 《Spring-Security-入门(四):自定义-Filter》 《Spring-Security-入门(五):在 Sprin

Zookeeper安装和配置说明

一、Zookeeper的搭建方式 Zookeeper安装方式有三种,单机模式和集群模式以及伪集群模式。 ■ 单机模式:Zookeeper只运行在一台服务器上,适合测试环境; ■ 伪集群模式:就是在一台物理机上运行多个Zookeeper 实例; ■ 集群模式:Zookeeper运行于一个集群上,适合生产环境,这个计算机集群被称为一个“集合体”(ensemble) Zookeeper通过复制来实现

CentOS7安装配置mysql5.7 tar免安装版

一、CentOS7.4系统自带mariadb # 查看系统自带的Mariadb[root@localhost~]# rpm -qa|grep mariadbmariadb-libs-5.5.44-2.el7.centos.x86_64# 卸载系统自带的Mariadb[root@localhost ~]# rpm -e --nodeps mariadb-libs-5.5.44-2.el7

Centos7安装Mongodb4

1、下载源码包 curl -O https://fastdl.mongodb.org/linux/mongodb-linux-x86_64-rhel70-4.2.1.tgz 2、解压 放到 /usr/local/ 目录下 tar -zxvf mongodb-linux-x86_64-rhel70-4.2.1.tgzmv mongodb-linux-x86_64-rhel70-4.2.1/

Makefile简明使用教程

文章目录 规则makefile文件的基本语法:加在命令前的特殊符号:.PHONY伪目标: Makefilev1 直观写法v2 加上中间过程v3 伪目标v4 变量 make 选项-f-n-C Make 是一种流行的构建工具,常用于将源代码转换成可执行文件或者其他形式的输出文件(如库文件、文档等)。Make 可以自动化地执行编译、链接等一系列操作。 规则 makefile文件

Centos7安装JDK1.8保姆版

工欲善其事,必先利其器。这句话同样适用于学习Java编程。在开始Java的学习旅程之前,我们必须首先配置好适合的开发环境。 通过事先准备好这些工具和配置,我们可以避免在学习过程中遇到因环境问题导致的代码异常或错误。一个稳定、高效的开发环境能够让我们更加专注于代码的学习和编写,提升学习效率,减少不必要的困扰和挫折感。因此,在学习Java之初,投入一些时间和精力来配置好开发环境是非常值得的。这将为我

安装nodejs环境

本文介绍了如何通过nvm(NodeVersionManager)安装和管理Node.js及npm的不同版本,包括下载安装脚本、检查版本并安装特定版本的方法。 1、安装nvm curl -o- https://raw.githubusercontent.com/nvm-sh/nvm/v0.39.0/install.sh | bash 2、查看nvm版本 nvm --version 3、安装

AI Toolkit + H100 GPU,一小时内微调最新热门文生图模型 FLUX

上个月,FLUX 席卷了互联网,这并非没有原因。他们声称优于 DALLE 3、Ideogram 和 Stable Diffusion 3 等模型,而这一点已被证明是有依据的。随着越来越多的流行图像生成工具(如 Stable Diffusion Web UI Forge 和 ComyUI)开始支持这些模型,FLUX 在 Stable Diffusion 领域的扩展将会持续下去。 自 FLU

计算机毕业设计 大学志愿填报系统 Java+SpringBoot+Vue 前后端分离 文档报告 代码讲解 安装调试

🍊作者:计算机编程-吉哥 🍊简介:专业从事JavaWeb程序开发,微信小程序开发,定制化项目、 源码、代码讲解、文档撰写、ppt制作。做自己喜欢的事,生活就是快乐的。 🍊心愿:点赞 👍 收藏 ⭐评论 📝 🍅 文末获取源码联系 👇🏻 精彩专栏推荐订阅 👇🏻 不然下次找不到哟~Java毕业设计项目~热门选题推荐《1000套》 目录 1.技术选型 2.开发工具 3.功能

SWAP作物生长模型安装教程、数据制备、敏感性分析、气候变化影响、R模型敏感性分析与贝叶斯优化、Fortran源代码分析、气候数据降尺度与变化影响分析

查看原文>>>全流程SWAP农业模型数据制备、敏感性分析及气候变化影响实践技术应用 SWAP模型是由荷兰瓦赫宁根大学开发的先进农作物模型,它综合考虑了土壤-水分-大气以及植被间的相互作用;是一种描述作物生长过程的一种机理性作物生长模型。它不但运用Richard方程,使其能够精确的模拟土壤中水分的运动,而且耦合了WOFOST作物模型使作物的生长描述更为科学。 本文让更多的科研人员和农业工作者