知道创宇IA-Lab 岳永鹏
TensorFlow™ 是一个开放源代码软件库，用于进行高性能数值计算。借助其灵活的架构，用户可以轻松地将计算工作部署到多种平台（CPU、GPU、TPU）和设备（桌面设备、服务器集群、移动设备、边缘设备等）。TensorFlow™ 最初是由 Google Brain 团队（隶属于 Google 的 AI 部门）中的研究人员和工程师开发的，可为机器学习和深度学习提供强有力支持，并且其灵活的数值计算核心广泛应用于许多其他科学领域。目前TensorFlow™ 有适用于CPU（TensorFlow CPU）和GPU（TensorFlow GPU）的两种安装选择。 有区别于通过pip安装TensorFlow CPU版本，安装TensorFlow GPU还需要更多的底层依赖。
| $ pip install tensorflow==1.12
$ pip install tensorflow-gpu==1.12 |
TensorFlow GPU主要是通过NVIDIA提供的CUDA和cuDNN存取GPU,从而实现比CPU快数十倍的深度学习训练加速能力。本文主要介绍TensorFlow GPU版本的安装和使用。
名词解释
在进入正题之前，首先详细介绍一下其所涉及的几个名词。
- Graphic Processing Unit（GPU）：用于个人计算机、工作站和服务器的专用图像设备。又名显示卡或显卡，目前主要的生产厂商是NVIDA生产的N卡和AMD 生产的A卡。相比于由几个核组成CPU专注于顺序串行处理，GPU 则拥有一个由数以千计的更小、更高效的核组成的大规模并行计算架构，其更擅长并行计算。
- Compute Unified Device Architecture（CUDA）：它是NVIDIA推出的能够解决GPU复杂计算问题的并行计算架构。目前NVIDIA面向分布式计算的显卡架构的演变已经历了Tesla、Fermi、Kepler、Maxwell、Pascal、Volta（以物理学家名字命名），且随着架构的演变其浮点计算的能力也越来越强。在NVIDIA Tesla常以第一个字母来命名其产品，比如Tesla M40、Tesla P100、Tesla V100。
- CUDA Toolkit：CUDA Toolkit是为创建高性能GPU加速应用程序提供了开发环境。目前支持C，C ++，Fortran，Python和MATLAB的编程，编译器的名称是nvcc。
- NVIDIA GPU drivers（显卡驱动）：它是用来驱动NVIDIA显卡所对应的软件程序。
- CUDA Deep Neural Network Library（cuDNN）：NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。
GPU支持
安装TensorFlow GPU相应的硬件和软件（驱动和库）支持。TensorFlow™ 最新版本（1.12）对硬件：
- NVIDIA® GPU card with CUDA® Compute Capability 3.5 or higher.
具有计算能力3.5或更高版本的NVIDIA®GPU卡。
对软件的要求：
- NVIDIA® GPU drivers—CUDA 9.0 requires 384.x or higher.
NVIDIA® GPU 驱动程序 -CUDA 9.0需要384.x或更高版本。
- CUDA® Toolkit—TensorFlow supports CUDA 9.0.
CUDA® Toolkit- TensorFlow支持CUDA 9.0。
- CUPTIships with the CUDA Toolkit.
CUPTI附带CUDA工具包。
- cuDNN SDK（> = 7.2）
NVIDIA深度神经网络的加速库(版本大于等于7.2)
硬件支持
从TensorFlow 所需要软件CUDA和CUDA的名词描述可以得出TensorFlow仅仅支持N卡，如果计算机属于A卡，则只能安装TensorFlow CPU版本，或者用AMD的ROCm GPU平台来安装GPU 版本的TensorFlow。本文重点讲以最为流行的N卡支持CUDA为重点讲解。使用lspci命令可以查看机器的NVIDIA显卡配置
| $ lspci |grep -i nvidia
02:00.0 3D controller: NVIDIA Corporation GM200GL [Tesla M40] (rev a1) 82:00.0 3D controller: NVIDIA Corporation GM200GL [Tesla M40] (rev a1) |
从显示结果看当前机器的GPU卡的型号是NVIDIA Tesla M40。当然，也并非所有的N卡都支持TensorFlow GPU 版本，其还要求GPU具有相应的计算能力，比如TensorFlow最新版1.12就要求计算能力大于3.5。NVIDIA GPU卡的计算能力可以通过其官网列表查询得到。目前NVIDIA产品主要系列有：
- GeForce, 面向普通大众用户，包括GTX和TITAN系列，价格比较亲民，用于科学计算精度稍低。GTX桌面版750以上、笔记本930M以上和全系的TITAN X计算能力均大于等于5。
- Tesla，面向企业部署而设计的用于大规模并行计算的产品，包含有F（Fermi 架构）、K（Kepler架构）、M（Maxwell架构）、P（Pascal架构）和V（Volta架构）系列产品。目前除Tesla K10以外，K、M、P、V系列的产品的计算能力均大于5。Tesla系列与GeForce 系列的TITAN X相比，其单机长期上线运行，稳定性更好。
- Quadro，面向专业的绘图设计，其分为桌面版和手机版两个系列。
- Terga/Jetson, 面向移动和嵌入式设备。
软件支持
TensorFlow官方文档会指定每一个TensorFlow GPU版本所依赖的python、cuDNN、GPU显卡驱动和CUDA的版本。在安装的时候一定注意版本的对应关系，若Python、cuDNN、GPU显卡驱动和CUDA的版本有低于TensorFlow GPU 要求的版本，在安装和使用过程中会出现错误。下表是TensorFlow GPU在Linux系统下版本对应表。
| TensorFlow GPU | python | cuDNN | CUDA |
| 1.12 | 2.7、3.3-3.6 | >=7.2 | 9 |
| 1.11 | 2.7、3.3-3.6 | >=7.2 | 9 |
| 1.10 | 2.7、3.3-3.6 | 7 | 9 |
| 1.9.0 | 2.7、3.3-3.6 | 7 | 9 |
| 1.8.0 | 2.7、3.3-3.6 | 7 | 9 |
| 1.7.0 | 2.7、3.3-3.6 | 7 | 9 |
| 1.6.0 | 2.7、3.3-3.6 | 7 | 9 |
| 1.5.0 | 2.7、3.3-3.6 | 7 | 9 |
| 1.4.0 | 2.7、3.3-3.6 | 6 | 8 |
| 1.3.0 | 2.7、3.3-3.6 | 6 | 8 |
| 1.2.0 | 2.7、3.3-3.6 | 5.1 | 8 |
| 1.1.0 | 2.7、3.3-3.6 | 5.1 | 8 |
| 1.0.0 | 2.7、3.3-3.6 | 5.1 | 8 |
TensorFlow GPU 安装过程
以服务器的NVIDIA Tesla M40为例，在操作系统Centos 7上安装最新版本TensorFlow GPU 1.12。
GPU 驱动安装
根据TensorFlow 1.12 GPU支持要求的NVIDIA驱动版本，从NVIDIA网站选择对应的型号和操作系统，CUDA Toolkit版本，下载驱动文件，如NVIDIA-Linux-x86_64-384.145.run。
运行驱动文件，根据提示完成安装。
| $ sh NVIDIA-Linux-x86_64-384.145.run |
安装完成以后通过NVIDIA命令工具nvidia-smi查看GPU情况
| $ nvidia-smi |
从上图可以看到，NVIDIA GPU显卡驱动型号384.145。当有TensorFlow GPU任务运行的时候，使用该命令也可以查看GPU的内存使用情况，也可以作为检查TensorFlow是CPU运行还是GPU运行。
CUDA 安装
从NVIDIA网站选择相应的驱动版本,选择Linux，x86_64,CentOS 7,下载rpm(local)驱动文件。
根据安装指导安装
| $ sudo rpm -i cuda-repo-rhel7-10-0-local-10.0.130-410.48-1.0-1.x86_64.rpm
$ sudo yum clean all $ sudo yum install cuda |
配置系统环境（/etc/profile）或者当前用户的环境（~/.bashrc）。
| export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64:/usr/local/cuda-9.0/extras/CUPTI/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-9.0/ export PATH=$PATH:$CUDA_HOME/bin |
Source配置文件后，查看nvcc版本，若如下图所示则说明CUDA安装成功。到此，也就配置好了CUDA C/C++的编译环境，可以使用nvcc编译.cu的文件。
| $ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2017 NVIDIA Corporation Built on Fri_Sep__1_21:08:03_CDT_2017 Cuda compilation tools, release 9.0, V9.0.176 |
cuDNN 安装
从NVIDIA网站下载cuDNN 安装包，根据GPU及CUDA版本选择对应cuDNN版本，下载cuDNN v7.4.1 for CUDA9.0。
解压拷贝到CUDA安装目录，需要注意的是在/usr/local 目录下存在cuda和cuda-9.0两个目录，一定要拷贝到cuda目录下。
| $ cp include/* /usr/local/cuda/include
$ cp lib64/* /usr/local/cuda/lib64 |
安装TensorFlow
安装TensorFlow GPU就比较容易了，在启用Python不同的虚拟环境下，可以直接通过pip安装，国内的用户可以选择国内的豆瓣pip源。
| $ pip install tensorflow-gpu==1.12 -i https://pypi.douban.com/simple/ |
验证TensorFlow GPU
启动python交互运行界面，导入TensorFlow模块，进行简单的验证。
| >>> import tensorflow as tf
>>> sess = tf.Session() 2018-11-21 16:02:44.949511: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties: name: Tesla M40 major: 5 minor: 2 memoryClockRate(GHz): 1.112 2018-11-21 16:02:45.089993: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 1 with properties: name: Tesla M40 major: 5 minor: 2 memoryClockRate(GHz): 1.112 |
从输出的日志可以看到发现了两个GPU卡，则说明 TensorFlow GPU是安装成功的。
TensorFlow示例运行
TensorFlow GitHub官方仓库
下载相应的代码，可以直接运行samples里面实例。
感谢分享，应该是我折腾这几天，唯一让我弄通的了。
[回复]