RTX 3090的深度學(xué)習(xí)環(huán)境配置指南：Pytorch、TensorFlow、Keras

筆者中山大學(xué)研究生，醫(yī)學(xué)生+計(jì)科學(xué)生的集合體，機(jī)器學(xué)習(xí)愛好者。

最近剛?cè)肓?090，發(fā)現(xiàn)網(wǎng)上寫的各種環(huán)境配置相當(dāng)混亂而且速度很慢。所以自己測了下速度最快的3090配置環(huán)境，歡迎補(bǔ)充！

基本環(huán)境（整個流程大約需要5分鐘甚至更少）

py37或py38cuda11.0cudnn8.0.4tf2.5（tf-nightly）或 tf1.15.4pytorch1.7keras2.3

（1）官網(wǎng)下載，安裝顯卡驅(qū)動：

bash NVIDIA-Linux-x86_64-455.23.04.run

（2）安裝Anaconda并換源

bash Anaconda3-5.2.0-Linux-x86_64.shvim ~/.bashrcexport PATH=/home/XXX/anaconda3/bin:$PATH（XXX為自己的用戶名）（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

（3）創(chuàng)建虛擬環(huán)境，一般用py37或py38（以下都在虛擬環(huán)境中操作）

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

（4）安裝cuda11.0和pytorch1.7（不用再conda install cudatoolkit==11.0）

conda?install?pytorch?torchvision?cudatoolkit=11

（5）安裝cudnn8（因?yàn)閏onda還不支持cudatoolkit=11中下載cudnn）

從https://developer.nvidia.com/rdp/cudnn-download下載cudnn，解壓后進(jìn)入cuda/lib64路徑下，把里面所有文件拷入對應(yīng)虛擬環(huán)境（exp38）的lib中

（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.compip?install?tf-nightly?-i?http://pypi.douban.com/simple?--trusted-host?pypi.douban.com

（7）裝tf1.15.4

此處參考這位大佬的tf1.15.4安裝步驟
https://blog.csdn.net/wu496963386/article/details/109583045?utm_medium=distribute.wap_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-2.wap_blog_relevant_pic

pip install google_pasta-0.2.0-py3-none-any.whl nvidia_cublas-11.2.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_cupti-11.1.69-cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvcc-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvrtc-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cuda_runtime-11.1.74-cp36-cp36m-linux_x86_64.whl nvidia_cudnn-8.0.4.30-cp36-cp36m-linux_x86_64.whl nvidia_cufft-10.3.0.74-cp36-cp36m-linux_x86_64.whl nvidia_curand-10.2.2.74-cp36-cp36m-linux_x86_64.whl nvidia_cusolver-11.0.0.74-cp36-cp36m-linux_x86_64.whl nvidia_cusparse-11.2.0.275-cp36-cp36m-linux_x86_64.whl nvidia_dali_cuda110-0.26.0-1608709-py3-none-manylinux2014_x86_64.whl nvidia_dali_nvtf_plugin-0.26.0+nv20.10-cp36-cp36m-linux_x86_64.whl nvidia_nccl-2.7.8-cp36-cp36m-linux_x86_64.whl  nvidia_tensorrt-7.2.1.4-cp36-none-linux_x86_64.whl tensorflow_estimator-1.15.1-py2.py3-none-any.whl nvidia_tensorboard-1.15.0+nv20.10-py3-none-any.whlnvidia_tensorflow-1.15.4+nv20.10-cp36-cp36m-linux_x86_64.whl?-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

（9）測試（使用cuda10.2也可以測試使用gpu，但貌似不能把數(shù)據(jù)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 tfimport keras.backend.tensorflow_backend as tfbackprint("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 KK.tensorflow_backend._get_available_gpus()

后記：實(shí)際3090需要cuda11.1，但pytorch和tf目前只支持11.0。而且講真不需要單獨(dú)配cuda、cudnn，在虛擬環(huán)境里搞就行了。

20210102更新：對tf1.15.4進(jìn)行測試，實(shí)測可用，數(shù)據(jù)可寫入gpu。文章中已補(bǔ)充。