RTX 3090的深度學習環境配置指南：Pytorch、TensorFlow、Keras。配置顯卡

最近剛入了3090，發現網上寫的各種環境配置相當混亂而且速度很慢。所以自己測了下速度最快的3090配置環境，歡迎補充！

基本環境（整個流程大約需要5分鍾甚至更少）

py37或py38
cuda11.1
tf2.5（tf-nightly）或 tf1.15.4
pytorch1.8
keras2.3

（1）安裝gcc

sudo apt install build-essential
gcc -v #查看gcc版本

（2）官網下載對應版本顯卡驅動及cuda：（以下版本對應11.1cuda，此處安裝cuda是為了tf的某個缺失的文件）

wget https://developer.download.nvidia.com/compute/cuda/11.1.0/local_installers/cuda_11.1.0_455.23.05_linux.run
sudo sh cuda_11.1.0_455.23.05_linux.run

（3）安裝Anaconda並換源

bash Anaconda3-5.2.0-Linux-x86_64.sh
vim ~/.bashrc
export PATH=/home/yukyin/anaconda3/bin:$PATH（在文件末尾處添加該語句） source ~/.bashrc conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes 之后vim ~/.condarc，把defaults刪掉

（4）創建虛擬環境，一般用py37或py38（以下都在虛擬環境中操作）

conda create -n exp38 python==3.8 conda activate exp38 

（5）安裝pytorch

官網下載cuda11.1輪子：torch-1.8.1+cu111-cp38-cp38-linux_x86_64.whl

pip install torch-1.8.1+cu111-cp38-cp38-linux_x86_64.whl #在輪子所在的目錄下操作

（6）裝tf2.5（不要裝tensorflow-gpu==2.4.0rc0，會報錯'NoneType' object has no attribute 'TFE_MonitoringDeleteBuckets'）

pip install tf-nightly-gpu -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install tf-nightly -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
conda install cudatoolkit=11.0 cp /usr/local/cuda-11.1/targets/x86_64-linux/lib/libcusolver.so.11.0.0.74 /home/yukyin/anaconda3/envs/exp382/lib/ mv /home/yukyin/anaconda3/envs/exp382/lib/libcusolver.so.11.0.0.74 /home/yukyin/anaconda3/envs/exp382/lib/libcusolver.so.11.0

（7）裝tf1.15

pip install nvidia-pyindex -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install nvidia-tensorflow -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

（8）裝keras2.3

pip install keras==2.3 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

（10）測試（使用cuda10.2也可以測試使用gpu，但貌似不能把數據寫入gpu）

pytorch

tensorflow-2.5或1.15.4

keras（測試需要改部分源碼_get_available_gpus()）

import tensorflow as tf
import keras.backend.tensorflow_backend as tfback
print("tf.__version__ is", tf.__version__)
print("tf.keras.__version__ is:", tf.keras.__version__)
 
def _get_available_gpus():
    if tfback._LOCAL_DEVICES is None:
        devices = tf.config.list_logical_devices()
        tfback._LOCAL_DEVICES = [x.name for x in devices]
    return [x for x in tfback._LOCAL_DEVICES if 'device:gpu' in x.lower()]
tfback._get_available_gpus = _get_available_gpus

from keras import backend as K
K.tensorflow_backend._get_available_gpus()

后記：不需要單獨配cuda、cudnn，在虛擬環境里搞就行了。

 

 

 

 

 

 

 

 

參考：https://zhuanlan.zhihu.com/p/279401802