从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras）

作者52nlp

6 月 17, 2018 #1080TI, #1080TI 显卡, #CUDA, #CUDA9, #CUDA9.0, #CUDA9.0下载, #CUDA9.0安装, #cuda9.2, #CUDA9下载, #CUDA9安装, #CUDA下载, #CUDA安装, #cuDNN, #cuDNN7, #cuDNN7.0, #cuDNN7.0下载, #cuDNN7.0安装, #cuDNN7.1, #cuDNN7.x, #cuDNN7安装, #cuDNN下载, #cuDNN安装, #ducda9.x, #GTX 1080TI, #Keras, #Keras2.1, #TensorFlow, #TensorFlow1.8, #ubuntu, #Ubuntu16.04, #从零开始搭建深度学习主机, #从零开始搭建深度学习工作站, #从零开始搭建深度学习服务器, #深度学习, #深度学习主机, #深度学习主机DIY, #深度学习显卡, #深度学习服务器, #深度学习服务器搭建, #深度学习服务器组建, #深度学习机器

这个系列写了好几篇文章，这是相关文章的索引，仅供参考：

最近公司又弄了一套4卡1080TI机器，配置基本上和之前是一致的，只是显卡换成了技嘉的伪公版1080TI：技嘉GIGABYTE GTX1080Ti 涡轮风扇108TTURBO-11GD

部件	型号	价格	链接	备注
CPU	英特尔（Intel）酷睿六核i7-6850K 盒装CPU处理器 	4599	http://item.jd.com/11814000696.html	
散热器	美商海盗船 H55 水冷	449	https://item.jd.com/10850633518.html	
主板	华硕（ASUS）华硕 X99-E WS/USB 3.1工作站主板	4759	
内存	美商海盗船(USCORSAIR) 复仇者LPX DDR4 3000 32GB(16Gx4条)  	2799 * 2	https://item.jd.com/1990572.html	
SSD	三星(SAMSUNG) 960 EVO 250G M.2 NVMe 固态硬盘	599	https://item.jd.com/3739097.html		
硬盘	希捷(SEAGATE)酷鱼系列 4TB 5900转 台式机机械硬盘 * 2 	629 * 2	https://item.jd.com/4220257.html	
电源	美商海盗船 AX1500i 全模组电源 80Plus金牌	3699	https://item.jd.com/10783917878.html
机箱	美商海盗船 AIR540 USB3.0 	949	http://item.jd.com/12173900062.html
显卡	技嘉（GIGABYTE） GTX1080Ti 11GB 非公版高端游戏显卡深度学习涡轮 * 4 7400 * 4    https://item.jd.com/10583752777.html

这台深度学习主机大概是这样的：

安装完Ubuntu16.04之后，我又开始了CUDA、cuDnn等深度学习环境和工具的安装之旅，时隔大半年，又有了很多变化，特别是CUDA9.x和cuDnn7.x已经成了标配，这里记录一下。

安装CUDA9.x

注：如果还需要安装Tensorflow1.8，建议这里安装CUDA9.0，我在另一台机器上遇到了一点问题，怀疑和我这台机器先安装CUDA9.0，再安装CUDA9.2有关。

依然从英伟达官方下载当前的CUDA版本，我选择了最新的CUDA9.2：

点选完对应Ubuntu16.04的CUDA9.2 deb版本之后，英伟达官方主页会给出安装提示：

Installation Instructions:
`sudo dpkg -i cuda-repo-ubuntu1604-9-2-local_9.2.88-1_amd64.deb`
`sudo apt-key add /var/cuda-repo-/7fa2af80.pub`
`sudo apt-get update`
`sudo apt-get install cuda`

在下载完大概1.2G的cuda deb版本之后，实际安装命令是这样的：

sudo dpkg -i cuda-repo-ubuntu1604-9-2-local_9.2.88-1_amd64.deb
sudo apt-key add /var/cuda-repo-9-2-local/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda

官方CUDA下载下载页面还附带了一个cuBLAS 9.2 Patch更新，官方强烈建议安装:

This update includes fix to cublas GEMM APIs on V100 Tensor Core GPUs when used with default algorithm CUBLAS_GEMM_DEFAULT_TENSOR_OP. We strongly recommend installing this update as part of CUDA Toolkit 9.2 installation.

可以用如下方式安装这个Patch更新：

sudo dpkg -i cuda-repo-ubuntu1604-9-2-local-cublas-update-1_1.0-1_amd64.deb 
sudo apt-get update  
sudo apt-get upgrade cuda

CUDA9.2安装完毕之后，1080TI的显卡驱动也附带安装了，可以重启机器，然后用 nvidia-smi 命令查看一下：

最后在在 ~/.bashrc 中设置环境变量：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda

运行 source ~/.bashrc 使其生效。

安装cuDNN7.x

同样去英伟达官网的cuDNN下载页面：https://developer.nvidia.com/rdp/cudnn-download，最新版本是cuDNN7.1.4，有三个版本可以选择，分别面向CUDA8.0, CUDA9.0, CUDA9.2:

下载完cuDNN7.1的压缩包之后解压，然后将相关文件拷贝到cuda的系统路径下即可：

tar -zxvf cudnn-9.2-linux-x64-v7.1.tgz
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ -d 
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

安装TensorFlow 1.8

TensorFlow的安装变得越来越简单，现在TensorFlow的官网也有中文安装文档了：https://www.tensorflow.org/install/install_linux?hl=zh-cn , 我们Follow这个文档，用Virtualenv的安装方式进行TensorFlow的安装，不过首先要配置一下基础环境。

首先在Ubuntu16.04里安装 libcupti-dev 库：

这是 NVIDIA CUDA 分析工具接口。此库提供高级分析支持。要安装此库，请针对 CUDA 工具包 8.0 或更高版本发出以下命令：

$ sudo apt-get install cuda-command-line-tools
并将其路径添加到您的 LD_LIBRARY_PATH 环境变量中：

$ export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64
对于 CUDA 工具包 7.5 或更低版本，请发出以下命令：

$ sudo apt-get install libcupti-dev

然而我运行“sudo apt-get install cuda-command-line-tools”命令后得到的却是：

E: 无法定位软件包 cuda-command-line-tools

Google后发现其实在安装CUDA9.2的时候，这个包已经安装了，在CUDA的路径下这个库已经有了：

/usr/local/cuda/extras/CUPTI/lib64$ ls
libcupti.so  libcupti.so.9.2  libcupti.so.9.2.88

现在只需要将其加入到环境变量中，在~/.bashrc中添加如下声明并令source ~/.bashrc另其生效即可：

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

剩下的就更简单了：

sudo apt-get install python-pip python-dev python-virtualenv 
virtualenv --system-site-packages tensorflow1.8
source tensorflow1.8/bin/activate
easy_install -U pip
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple --upgrade tensorflow-gpu

强烈建议将清华的pip源写到配置文件里，这样就更方便快捷了。

最后测试一下TensorFlow1.8:

Python 2.7.12 (default, Dec  4 2017, 14:50:18) 
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
2018-06-17 12:15:34.158680: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2018-06-17 12:15:34.381812: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 0 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582
pciBusID: 0000:05:00.0
totalMemory: 10.91GiB freeMemory: 5.53GiB
2018-06-17 12:15:34.551451: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 1 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582
pciBusID: 0000:06:00.0
totalMemory: 10.92GiB freeMemory: 5.80GiB
2018-06-17 12:15:34.780350: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 2 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582
pciBusID: 0000:09:00.0
totalMemory: 10.92GiB freeMemory: 5.80GiB
2018-06-17 12:15:34.959199: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 3 with properties: 
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582
pciBusID: 0000:0a:00.0
totalMemory: 10.92GiB freeMemory: 5.80GiB
2018-06-17 12:15:34.966403: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1435] Adding visible gpu devices: 0, 1, 2, 3
2018-06-17 12:15:36.373745: I tensorflow/core/common_runtime/gpu/gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix:
2018-06-17 12:15:36.373785: I tensorflow/core/common_runtime/gpu/gpu_device.cc:929]      0 1 2 3 
2018-06-17 12:15:36.373798: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 0:   N Y Y Y 
2018-06-17 12:15:36.373804: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 1:   Y N Y Y 
2018-06-17 12:15:36.373808: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 2:   Y Y N Y 
2018-06-17 12:15:36.373814: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 3:   Y Y Y N 
2018-06-17 12:15:36.374516: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 5307 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1)
2018-06-17 12:15:36.444426: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:1 with 5582 MB memory) -> physical GPU (device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1)
2018-06-17 12:15:36.506340: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:2 with 5582 MB memory) -> physical GPU (device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1)
2018-06-17 12:15:36.614736: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:3 with 5582 MB memory) -> physical GPU (device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1)
Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1
2018-06-17 12:15:36.689345: I tensorflow/core/common_runtime/direct_session.cc:284] Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1
/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1

Python 2.7.12 (default, Dec 4 2017, 14:50:18) [GCC 5.4.0 20160609] on linux2 Type "help", "copyright", "credits" or "license" for more information. >>> import tensorflow as tf >>> sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) 2018-06-17 12:15:34.158680: I tensorflow/core/platform/cpu_feature_guard.cc:140] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA 2018-06-17 12:15:34.381812: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 0 with properties: name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582 pciBusID: 0000:05:00.0 totalMemory: 10.91GiB freeMemory: 5.53GiB 2018-06-17 12:15:34.551451: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 1 with properties: name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582 pciBusID: 0000:06:00.0 totalMemory: 10.92GiB freeMemory: 5.80GiB 2018-06-17 12:15:34.780350: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 2 with properties: name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582 pciBusID: 0000:09:00.0 totalMemory: 10.92GiB freeMemory: 5.80GiB 2018-06-17 12:15:34.959199: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1356] Found device 3 with properties: name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.582 pciBusID: 0000:0a:00.0 totalMemory: 10.92GiB freeMemory: 5.80GiB 2018-06-17 12:15:34.966403: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1435] Adding visible gpu devices: 0, 1, 2, 3 2018-06-17 12:15:36.373745: I tensorflow/core/common_runtime/gpu/gpu_device.cc:923] Device interconnect StreamExecutor with strength 1 edge matrix: 2018-06-17 12:15:36.373785: I tensorflow/core/common_runtime/gpu/gpu_device.cc:929] 0 1 2 3 2018-06-17 12:15:36.373798: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 0: N Y Y Y 2018-06-17 12:15:36.373804: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 1: Y N Y Y 2018-06-17 12:15:36.373808: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 2: Y Y N Y 2018-06-17 12:15:36.373814: I tensorflow/core/common_runtime/gpu/gpu_device.cc:942] 3: Y Y Y N 2018-06-17 12:15:36.374516: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 5307 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1) 2018-06-17 12:15:36.444426: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:1 with 5582 MB memory) -> physical GPU (device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1) 2018-06-17 12:15:36.506340: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:2 with 5582 MB memory) -> physical GPU (device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1) 2018-06-17 12:15:36.614736: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1053] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:3 with 5582 MB memory) -> physical GPU (device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1) Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1 2018-06-17 12:15:36.689345: I tensorflow/core/common_runtime/direct_session.cc:284] Device mapping: /job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:05:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: GeForce GTX 1080 Ti, pci bus id: 0000:06:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: GeForce GTX 1080 Ti, pci bus id: 0000:09:00.0, compute capability: 6.1 /job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: GeForce GTX 1080 Ti, pci bus id: 0000:0a:00.0, compute capability: 6.1

安装Keras2.1.x

Keras的后端支持TensorFlow, Theano, CNTK，在安装完TensorFlow GPU版本之后，继续安装Keras非常简单，在TensorFlow的虚拟环境中，直接"pip install keras"即可，安装的版本是Keras2.1.6:

Installing collected packages: h5py, scipy, pyyaml, keras
Successfully installed h5py-2.7.1 keras-2.1.6 pyyaml-3.12 scipy-1.1.0

测试一下：

Python 2.7.12 (default, Dec  4 2017, 14:50:18) 
[GCC 5.4.0 20160609] on linux2
Type "help", "copyright", "credits" or "license" for more information.
>>> import keras
Using TensorFlow backend.

注：原创文章，转载请注明出处及保留链接“我爱自然语言处理”：https://www.52nlp.cn

本文链接地址：从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras） https://www.52nlp.cn/?p=10334

作者 52nlp

MIT自然语言处理人工智能深度学习聊天机器人自然语言处理自然语言生成

《从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras）》有18条评论

huajin说道：

2018年06月18号 21:57

tensorflow 1.8.0 好像和CUDA9.2不兼容呀。。。tensorflow 报错了

[回复]
52nlp 回复:
18 6 月, 2018 at 22:08
报什么错误？我这边没有问题。另外抱歉下午我看到你的评论了，用的是这个cuDNN版本：cudnn-9.2-linux-x64-v7.1.tgz ，不过网站那个时候出了一点问题，我做了一次恢复处理，你的那个评论丢失了。

[回复]
huajin 回复:
19 6 月, 2018 at 18:28
那就好像是我的之前的CUDA9.0没删干净吧

[回复]
huajin 回复:
20 6 月, 2018 at 14:10
>>> import tensorflow as tf
Traceback (most recent call last):
File "", line 1, in
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/__init__.py", line 24, in
from tensorflow.python import pywrap_tensorflow # pylint: disable=unused-import
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/python/__init__.py" , line 49, in
from tensorflow.python import pywrap_tensorflow
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/python/pywrap_tenso rflow.py", line 74, in
raise ImportError(msg)
ImportError: Traceback (most recent call last):
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/python/pywrap_tenso rflow.py", line 58, in
from tensorflow.python.pywrap_tensorflow_internal import *
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/python/pywrap_tenso rflow_internal.py", line 28, in
_pywrap_tensorflow_internal = swig_import_helper()
File "/home/cvnlp/tensorflow1.8/local/lib/python2.7/site-packages/tensorflow/python/pywrap_tenso rflow_internal.py", line 24, in swig_import_helper
_mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description)
ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory

52nlp 回复:
20 6 月, 2018 at 14:27
第一，检查一下 :/usr/local/cuda/lib64下是否有libcublas.so的文件？我这个下面是这样的，问题是你的为什么还要找9.0呢？

libcublas.so
libcublas.so.9.2

第二是否已经在 ~/.bashrc 中设置了环境变量：

export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda
运行 source ~/.bashrc 使其生效。
ying说道：

2018年06月29号 16:24

博主您好，请问下不同品牌的1080Ti可以组成多路并行GPU服务器吗，手头有公版的，索泰的和大雕的1080Ti。。。

[回复]
52nlp 回复:
29 6 月, 2018 at 18:02
应该可以，我混搭了1080TI和titan xp，没什么问题

[回复]
戴唯说道：

2018年08月15号 19:44

I7 的总线带不动4个1080Ti吧

[回复]
52nlp 回复:
15 8 月, 2018 at 23:07
目前用着没问题

[回复]
PP说道：

2018年08月23号 17:24

感謝樓主，安裝成功！

[回复]
lrh000说道：

2018年09月2号 21:51

你好，我的问题也是出在ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory，目录也有libcublas.so和 libcublas.so.9.2，之前的步骤全部是按这篇文章来的，tensorflow安装的是1.8版本，我是不是应该安装cuda9.0而不应该安装9.2？

此外还有一个问题，关于ubuntu默认python3版本为3.5，我用3.6然后改了python默认版本会有影响吗？

谢谢！

[回复]
52nlp 回复:
2 9 月, 2018 at 22:25
关于第一个问题，文章中也提升了一下，可能还是需要安装CUDA9.0；关于第二个问题，3.6问题不大。

[回复]
小白说道：

2018年10月17号 10:02

老板好，你的4块卡装在一起不烫吗？我把四块卡也像你这样插在一起，待机温度就有五十多度，跑一个小模型，温度瞬间飙到90多，不敢接着跑了。。

另外我的主板也是7条PCI-E，最底下那条插上显卡的话，主板电源就没法插了 T T，这是怎么解决的呢？

先谢一发～

[回复]
52nlp 回复:
17 10 月, 2018 at 10:47
额，谈不上老板。不知道你用的是什么显卡？公版还是伪公版？我这边跑机器翻译模型训练的时候温度一般也到90度左右，不过问题不大，持续训练一周也没有问题；夏天的时候要注意一下散热。
“另外我的主板也是7条PCI-E，最底下那条插上显卡的话，主板电源就没法插了 T T，这是怎么解决的呢？" 这个问题具体我不太清楚，无法解答。

[回复]
今晚打老虎说道：

2019年04月26号 09:49

楼主我是单独安装了显卡驱动，nvidia-smi只显示一张2080ti,检测不到双卡，还有楼主安装cuda,cudnn之前没有禁用ubuntu自带的显卡驱动吗？

[回复]
52nlp 回复:
26 4 月, 2019 at 14:04
有点忘了，没有禁用，这个你可以再检查一下另外一张卡是否在主板上放好了

[回复]
小白说道：

2019年08月28号 16:55

老板，你的显卡出2手吗

[回复]
52nlp 回复:
28 8 月, 2019 at 17:50
额，不出

[回复]

从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras）

作者52nlp

作者 52nlp

相关文章

复旦邱锡鹏：深度剖析 ChatGPT 类大语言模型的关键技术

知识图谱增强下的智能推荐系统与应用-于敬

Transformer中的缓存机制

《从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras）》有18条评论

发表回复

You missed

探索3D打印与增材制造课程：转变创意为现实的艺术之旅

课程推荐：会计数据分析课程回顾

如何利用Coursera的《大学成功学术技能》课程提升您的学习能力

提升写作技能的课程推荐：学术英语写作培训

作者52nlp

相关文章：

作者 52nlp

相关文章

《从零开始搭建深度学习服务器: 1080TI四卡并行（Ubuntu16.04+CUDA9.2+cuDNN7.1+TensorFlow+Keras）》有18条评论

发表回复

You missed