Ubuntu 装机步骤

安装 Ubuntu
配置 ssh
配置 sudo 免密码和 apt 源（推荐）
安装 oh my zsh 以及常用命令（推荐）
安装 NVIDIA 驱动、CUDA 和 cuDNN（分为 apt 和 run 两种安装方式）
安装 Anaconda 和 Python 库

脚本式装机：

# 添加 sudo 免密码
if [[ $(sudo grep -L $USER /etc/sudoers) ]]; then
  echo "Add $USER to sudoers";
  echo "$USER ALL=(ALL) NOPASSWD:ALL" | sudo tee -a /etc/sudoers;
fi

# 升级系统
sudo apt update
sudo apt upgrade -y

# 安装常用命令和 oh-my-zsh
sudo apt install -y openssh-server git curl zsh net-tools git curl htop nload tmux screen aria2 graphviz aptitude tree iotop cifs-utils landscape-common
sh -c "$(curl -fsSL https://raw.githubusercontent.com/robbyrussell/oh-my-zsh/master/tools/install.sh)"

# 安装 Python 环境
wget https://mirrors.bfsu.edu.cn/anaconda/miniconda/Miniconda3-py39_4.12.0-Linux-x86_64.sh
bash Miniconda3-py39_4.12.0-Linux-x86_64.sh -b
~/miniconda3/bin/conda init bash
~/miniconda3/bin/conda init zsh

# reboot your terminal
~/miniconda3/bin/conda activate
# pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
# pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

pip config set global.index-url https://mirrors.bfsu.edu.cn/pypi/web/simple
pip install torch==1.10.1+cu113 torchvision==0.11.2+cu113 torchaudio==0.10.1+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html
pip install jupyter jupyter_contrib_nbextensions numpy pandas flask scikit-image scikit-learn matplotlib opencv-python pillow tqdm tensorboardx xlrd openpyxl openmim

安装 CUDA：

Ubuntu 18.04：

# 安装 CUDA 11.1，ubuntu18.04
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin -O cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda-11-3

Ubuntu 20.04：

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin
sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/ /"
sudo apt-get update
sudo apt-get -y install cuda-11-3

添加 CUDA 环境变量：

# CUDA 环境变量
if [[ $(grep -L "cuda" ~/.bashrc) ]]; then
  echo "Add CUDA environment to ~/.bashrc"
  echo "export PATH=/usr/local/cuda/bin:\$PATH" | tee -a ~/.bashrc;
  echo "export LD_LIBRARY_PATH=/usr/local/cuda/lib64:\$LD_LIBRARY_PATH" | tee -a ~/.bashrc;
fi

if [[ $(grep -L "cuda" ~/.zshrc) ]]; then
  echo "Add CUDA environment to ~/.zshrc"
  echo "export PATH=/usr/local/cuda/bin:\$PATH" | tee -a ~/.zshrc;
  echo "export LD_LIBRARY_PATH=/usr/local/cuda/lib64:\$LD_LIBRARY_PATH" | tee -a ~/.zshrc;
fi

安装 mmdet：

mim install mmdet

安装 Ubuntu

以下是 Ubuntu 官方网站上的教程：

在 Windows 上制作 Ubuntu 系统盘
在 macOS 上制作 Ubuntu 系统盘
安装 Ubuntu

目前我安装的版本是 Ubuntu 18.04

如果遇到网络问题，可以使用清华大学的镜像：https://mirror.tuna.tsinghua.edu.cn/ubuntu-releases/18.04.4/ubuntu-18.04.4-desktop-amd64.iso

如果上面的链接失效了，说明 ubuntu 出新版了，你可以在这里查找新版：https://mirror.tuna.tsinghua.edu.cn/ubuntu-releases/。

配置 ssh

安装 openssh-server

装好 Ubuntu 以后，为了能够方便地在其他终端上远程连接，安装各种软件，我一般会先装 openssh-server。

sudo apt update
sudo apt install openssh-server

装好了以后，就可以在终端里通过下面的命令连接服务器。

ssh 192.168.8.65

使用到的命令：apt、ssh

使用 ssh-keygen 生成一个 ssh key

目前使用密码上不如使用 key 安全的，因为 key 的长度通常是 2048 或 4096 位，远超普通的密码。这里建议按照 GitHub 官方网站上的教程生成新 SSH 密钥并添加到 ssh-agent，这样不仅可以用于登录 Linux 机器，也可以用于 git。

使用 ssh-keygen 生成了密钥以后，你会得到两个文件：

~/.ssh/id_rsa
~/.ssh/id_rsa.pub

其中 id_rsa 是私钥，id_rsa.pub 是公钥。不要把私钥发给任何人。

公钥通常上这样的文本：

ssh-rsa AAAAB3NzaC1yc2EAAAADAQABAAABAQDcfQD4nnaQrgC003C0ReAYqrm6XKEchuM6DwkNtHzRs2YhLolH6fEohWAp0mlW9yzQl258lA+FdoH51ONmvGUx/2Y953A6ujHrt7dOIpOkYW5HT6Rmvlwk+3uRmVNQqZTJeRWdblcSHmYY1fi1miawONZiVoLW14xhyH5bOwgwY/GB2yTaffDby451RLT5kQ7LHqiDJtWiRQekR5tKDKZ7mBhKZIKYLOoqAayCHw2scJYsgtw2tPt0/y7BlxO+RuDwuD2WOnthe1ewbwAbbTN17HiLvBd/MIWtVDoGGq6jdNDjNDNbTs8H2VohTc2mNtOOlycN6yzf3ZKZTN6/hNtl ypw@yangpeiendeiMac

在 Ubuntu 服务器上添加刚才生成的 ssh key

首先使用密码登录刚才的机器：

ssh 192.168.8.65

然后创建 ~/.ssh 目录，并且创建 ~/.ssh/authorized_keys 文件，配置好相应的权限：

mkdir -p ~/.ssh
touch ~/.ssh/authorized_keys
chmod 700 ~/.ssh
chmod 600 ~/.ssh/authorized_keys
nano ~/.ssh/authorized_keys

# 添加你的公钥，如 ssh-rsa AAAA...

把刚才生成的公钥 id_rsa.pub 添加到 ~/.ssh/authorized_keys 里，如果文件已经有内容，就添加在最后一行。这样以后每次使用 ssh 登录机器都不需要再输入密码了。

使用到的命令：mkdir、touch、chmod、nano

禁止密码登录

由于密码登录存在不安全因素，比如暴露在公网的 IP 会被扫描，而 key 是相对安全的，所以我们可以禁止不安全的密码登录：

sudo nano /etc/ssh/sshd_config

PasswordAuthentication no # 添加在最后一行

配置 sudo 免密码和 apt 源

配置 sudo 免密码

由于安装驱动等操作需要 sudo 权限，为了避免频繁输入密码，可以配置 sudo 免密码：

sudo nano /etc/sudoers

ypw ALL=(ALL) NOPASSWD:ALL # 添加在最后一行

配置 apt 源

在使用 apt 的时候有可能因为网络原因导致安装过慢或失败，这时候可以配置一些 apt 源：

https://mirror.tuna.tsinghua.edu.cn/help/ubuntu/
https://opsx.alibaba.com/mirror

下面以清华大学开源软件镜像站为例：

sudo mv /etc/apt/sources.list /etc/apt/sources_backup.list
sudo nano /etc/apt/sources.list

# 添加下面的内容，保存
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-updates main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-backports main restricted universe multiverse
deb https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse
# deb-src https://mirrors.tuna.tsinghua.edu.cn/ubuntu/ bionic-security main restricted universe multiverse

添加好以后，使用下面的命令更新 apt 以后，安装其他软件包的速度就会变快：

sudo apt update

恢复默认源：

sudo mv /etc/apt/sources_backup.list /etc/apt/sources.list

安装 oh my zsh 以及常用命令

安装 oh my zsh

相比默认的 bash，zsh 有以下几个优点：

当你使用 tab 提示的时候，如果有多个匹配项，你可以用 tab 进行切换
当你想使用一个之前输入过的命令的时候，只需要输入首字母，然后按上方向键切换

安装 oh my zsh 的步骤如下：

安装 zsh
安装 oh my zsh

完整命令如下：

sudo apt install -y git curl zsh
sh -c "$(curl -fsSL https://raw.githubusercontent.com/robbyrussell/oh-my-zsh/master/tools/install.sh)"

常用命令

这些是我的必备命令，你可以按照自己的需要安装：

sudo apt install -y net-tools git curl htop nload tmux screen aria2 graphviz aptitude tree iotop

安装 NVIDIA 驱动、CUDA 和 cuDNN（apt）

安装驱动有两种方法，一种是使用apt安装，一种是直接下载驱动安装。我一般会选择直接下载驱动。

使用 apt 安装驱动

安装过程可以参考 TensorFlow 的教程：https://www.tensorflow.org/install/gpu

下面是我安装的命令：

# Add NVIDIA package repositories
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804_10.0.130-1_amd64.deb
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo apt update
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt update

# Install NVIDIA driver
sudo aptitude install nvidia-driver-410
# Reboot. Check that GPUs are visible using the command: nvidia-smi

如果因为网络原因导致下载很慢，可以使用下面的命令让 apt 使用代理：

sudo nano /etc/apt/apt.conf

# 下面的内容按照实际情况进行修改
Acquire::http::Proxy "http://192.168.8.246:1087";

为了避免重启以后鼠标键盘没反应，需要运行下面的命令：

sudo apt install --reinstall xserver-xorg-input-all

测试显卡

装好系统以后需要重新启动机器，重启以后运行下面的命令即可测试显卡：

nvidia-smi

如果能看到类似的内容就说明显卡驱动装好了：

Fri Jan 15 21:15:14 2021
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.32.03    Driver Version: 460.32.03    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce RTX 3080    Off  | 00000000:01:00.0  On |                  N/A |
| 31%   22C    P8     6W / 320W |    183MiB / 10015MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A      1151      G   /usr/lib/xorg/Xorg                142MiB |
|    0   N/A  N/A      1454      G   /usr/bin/gnome-shell               38MiB |
+-----------------------------------------------------------------------------+

安装 CUDA 和 cuDNN

注意：

此步骤需下载较大的安装包
PyTorch 用户可以不安装 CUDA 和 cuDNN

sudo apt install --no-install-recommends \
    cuda-10-0 \
    libcudnn7=7.6.0.64-1+cuda10.0  \
    libcudnn7-dev=7.6.0.64-1+cuda10.0

配置环境变量

安装好以后还需要配置环境变量，这里我以 ~/.zshrc 为例：

nano ~/.zshrc

# 添加下面的内容
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

安装 TensorRT（可选）

sudo apt update
sudo apt install -y --no-install-recommends libnvinfer5=5.1.5-1+cuda10.0
sudo apt install -y --no-install-recommends libnvinfer-dev=5.1.5-1+cuda10.0

安装 NVIDIA 驱动、CUDA 和 cuDNN（run）

下载驱动

首先去官网下载驱动：https://www.nvidia.com/Download/index.aspx?lang=cn

有下面几种方法可以下载：

在 Ubuntu 机器上直接使用浏览器下载
在自己机器上下载，然后通过 scp 传到 Ubuntu 机器上
在自己机器上找到下载地址，然后在 Ubuntu 机器上使用 wget 命令下载

以上方法可以根据实际情况选择，这里我选择第三种方法：

wget https://cn.download.nvidia.cn/XFree86/Linux-x86_64/450.80.02/NVIDIA-Linux-x86_64-450.80.02.run

屏蔽 Nouveau

如果你没有屏蔽，就会出现以下提示：

ERROR: The Nouveau kernel driver is currently in use by your system. This driver is incompatible with the NVIDIA driver, and must be disabled before proceeding. Please consult the NVIDIA driver README and your Linux distribution's documentation for details on how to correctly disable the Nouveau kernel driver.

命令：

sudo nano /etc/modprobe.d/blacklist-nouveau.conf

# 添加以下内容

blacklist nouveau
options nouveau modeset=0

# 保存

sudo update-initramfs -u
sudo reboot

安装必要的编译工具

如果没有安装 gcc 等编译工具，就会出现以下提示：

ERROR: Unable to find the development tool cc in your path; please make sure that you have the package 'gcc' installed. If gcc is installed on your system, then please check that cc is in your PATH.

命令：

sudo apt install -y build-essential gcc g++ make binutils linux-headers-`uname -r`

安装显卡驱动

sudo bash NVIDIA-Linux-x86_64-450.80.02.run

安装步骤很简单，一直下一步就好了。

测试显卡

nvidia-smi

如果能看到类似的内容就说明显卡驱动装好了：

Fri Jan 15 21:15:14 2021
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 460.32.03    Driver Version: 460.32.03    CUDA Version: 11.2     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|                               |                      |               MIG M. |
|===============================+======================+======================|
|   0  GeForce RTX 3080    Off  | 00000000:01:00.0  On |                  N/A |
| 31%   22C    P8     6W / 320W |    183MiB / 10015MiB |      0%      Default |
|                               |                      |                  N/A |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                                  |
|  GPU   GI   CI        PID   Type   Process name                  GPU Memory |
|        ID   ID                                                   Usage      |
|=============================================================================|
|    0   N/A  N/A      1151      G   /usr/lib/xorg/Xorg                142MiB |
|    0   N/A  N/A      1454      G   /usr/bin/gnome-shell               38MiB |
+-----------------------------------------------------------------------------+

安装 CUDA 和 cuDNN

由于不同的深度学习框架的 CUDA 和 cuDNN 版本依赖是不同的，所以请按照你所需要的深度学习框架官网上的说明为准。关于 CUDA 版本、cuDNN版本以及深度学习环境的介绍，请看 Ubuntu 环境。

提示：PyTorch 用户可以不安装 CUDA 和 cuDNN。

安装 CUDA 10.0

由于此安装包比较大，建议使用 aria2c 下载：

aria2c -x 16 https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda_10.0.130_410.48_linux

下载好了以后，直接运行安装即可：

sudo bash cuda_10.0.130_410.48_linux.run

# 按 q 退出 EULA

NVIDIA CUDA Toolkit
Do you accept the previously read EULA?
accept/decline/quit: accept

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

Install the CUDA 10.0 Toolkit?
(y)es/(n)o/(q)uit: y

Enter Toolkit Location
 [ default is /usr/local/cuda-10.0 ]:

Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples?
(y)es/(n)o/(q)uit: n

Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...

===========
= Summary =
===========

Driver:   Not Selected
Toolkit:  Installed in /usr/local/cuda-10.0
Samples:  Not Selected

可以按照自己的需要请配置下面的选项，比如你想学习使用 C/C++ 编写 CUDA 程序，可以安装 Samples。

注意：

Please make sure that

PATH includes /usr/local/cuda-10.0/bin

LD_LIBRARY_PATH includes /usr/local/cuda-10.0/lib64, or, add /usr/local/cuda-10.0/lib64 to /etc/ld.so.conf and run ldconfig as root

需要按照上面的指示配置环境变量，这里我以 ~/.zshrc 为例：

nano ~/.zshrc

# 添加下面的内容
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$PATH

安装 cuDNN

同样，下载 cudnn-10.0-linux-x64-v7.6.0.64.tgz：

aria2c -x 16 http://developer.download.nvidia.com/compute/redist/cudnn/v7.6.0/cudnn-10.0-linux-x64-v7.6.0.64.tgz

然后安装到 /usr/local 目录下：

sudo tar -xzf cudnn-10.0-linux-x64-v7.6.0.64.tgz -C /usr/local

安装 Anaconda 和 Python 库

安装 Anaconda

安装 Anaconda 和 Python 库的步骤都已经写在了 Pyhton 环境，这里仅仅展示相关命令：

aria2c -x 16 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2019.03-Linux-x86_64.sh
bash Anaconda3-2019.03-Linux-x86_64.sh

# 回车，然后按 q 退出 EULA

Do you accept the license terms? [yes|no]
[no] >>> yes

Anaconda3 will now be installed into this location:
/home/ypw/anaconda3

  - Press ENTER to confirm the location
  - Press CTRL-C to abort the installation
  - Or specify a different location below

[/home/ypw/anaconda3] >>>
PREFIX=/home/ypw/anaconda3
installing: python-3.7.3-h0371630_0 ...
Python 3.7.3
installing: conda-env-2.6.0-1 ...
installing: blas-1.0-mkl ...
......
installing: anaconda-2019.03-py37_0 ...
installation finished.
Do you wish the installer to initialize Anaconda3
by running conda init? [yes|no]
[no] >>> yes

......

Thank you for installing Anaconda3!

安装完成以后，你可能还需要配置环境变量。

~/anaconda3/bin/conda init

# 如果你用的终端是zsh
~/anaconda3/bin/conda init zsh

配置好以后，可以重启机器，或者使用 source ~/.zshrc 更新环境变量。

配置 pip 源

在使用 pip 的时候有可能因为网络原因导致安装过慢或失败，这时候可以配置国内的 pip 源：

https://developer.aliyun.com/mirror/pypi
https://mirror.tuna.tsinghua.edu.cn/help/pypi/

下面以阿里云为例：

pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

Python 库

使用下面的命令安装常用 Python 库：

pip install jupyter jupyter_contrib_nbextensions numpy pandas scikit-learn matplotlib opencv-python pillow tqdm torch torchvision tensorflow-gpu keras tensorboardx xlrd openpyxl

注意：如果是 30 系列的显卡，比如 3080、3090，需要使用CUDA11或以上的深度学习框架，比如 PyTorch 目前是这样安装的：

pip install torch==1.7.1+cu110 torchvision==0.8.2+cu110 torchaudio===0.7.2 -f https://download.pytorch.org/whl/torch_stable.html

测试 PyTorch

import torch
dummy = torch.zeros(1, 3, 5, 5).cuda()
conv = torch.nn.Conv2d(in_channels=3, out_channels=1, kernel_size=3).cuda()
print(conv(dummy))

期望输出：

tensor([[[[0.0443, 0.0443, 0.0443],
          [0.0443, 0.0443, 0.0443],
          [0.0443, 0.0443, 0.0443]]]], device='cuda:0',
       grad_fn=<CudnnConvolutionBackward>)

测试 TensorFlow

import tensorflow as tf
mnist = tf.keras.datasets.mnist

(x_train, y_train),(x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(512, activation=tf.nn.relu),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation=tf.nn.softmax)
])
model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test)

期望输出（注意里面的 GeForce GTX 1080 Ti）：

>>> model.fit(x_train, y_train, epochs=5)
2019-07-21 17:18:16.455944: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2019-07-21 17:18:16.460577: I tensorflow/core/platform/profile_utils/cpu_utils.cc:94] CPU Frequency: 3599995000 Hz
2019-07-21 17:18:16.461013: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x5606e83e4f40 executing computations on platform Host. Devices:
2019-07-21 17:18:16.461032: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): <undefined>, <undefined>
2019-07-21 17:18:16.462663: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcuda.so.1
2019-07-21 17:18:16.915819: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.916435: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x5606e78c9a40 executing computations on platform CUDA. Devices:
2019-07-21 17:18:16.916504: I tensorflow/compiler/xla/service/service.cc:175]   StreamExecutor device (0): GeForce GTX 1080 Ti, Compute Capability 6.1
2019-07-21 17:18:16.916782: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.918218: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1640] Found device 0 with properties:
name: GeForce GTX 1080 Ti major: 6 minor: 1 memoryClockRate(GHz): 1.683
pciBusID: 0000:0b:00.0
2019-07-21 17:18:16.918581: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcudart.so.10.0
2019-07-21 17:18:16.920971: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcublas.so.10.0
2019-07-21 17:18:16.922961: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcufft.so.10.0
2019-07-21 17:18:16.923461: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcurand.so.10.0
2019-07-21 17:18:16.926265: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcusolver.so.10.0
2019-07-21 17:18:16.928450: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcusparse.so.10.0
2019-07-21 17:18:16.932250: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcudnn.so.7
2019-07-21 17:18:16.932341: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.932899: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.933392: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1763] Adding visible gpu devices: 0
2019-07-21 17:18:16.933426: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcudart.so.10.0
2019-07-21 17:18:16.934335: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1181] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-07-21 17:18:16.934353: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1187]      0
2019-07-21 17:18:16.934363: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1200] 0:   N
2019-07-21 17:18:16.934444: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.934988: I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:1005] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
2019-07-21 17:18:16.935504: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1326] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 10481 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1080 Ti, pci bus id: 0000:0b:00.0, compute capability: 6.1)
Epoch 1/5
2019-07-21 17:18:17.663035: I tensorflow/stream_executor/platform/default/dso_loader.cc:42] Successfully opened dynamic library libcublas.so.10.0
60000/60000 [==============================] - 3s 49us/sample - loss: 0.2209 - acc: 0.9344
Epoch 2/5import torch
x = torch.rand(5, 3)
print(x)
60000/60000 [==============================] - 2s 39us/sample - loss: 0.0968 - acc: 0.9707
Epoch 3/5
60000/60000 [==============================] - 2s 38us/sample - loss: 0.0696 - acc: 0.9779
Epoch 4/5
60000/60000 [==============================] - 2s 38us/sample - loss: 0.0537 - acc: 0.9826
Epoch 5/5
60000/60000 [==============================] - 2s 38us/sample - loss: 0.0428 - acc: 0.9863
<tensorflow.python.keras.callbacks.History object at 0x7f4ece4a2278>
>>> model.evaluate(x_test, y_test)
10000/10000 [==============================] - 0s 24us/sample - loss: 0.0698 - acc: 0.9804
[0.06983174340333789, 0.9804]

Provide feedback

Saved searches

Use saved searches to filter your results more quickly

ubuntu-install-guide.md

ubuntu-install-guide.md

Ubuntu 装机步骤

安装 Ubuntu

配置 ssh

安装 openssh-server

使用 ssh-keygen 生成一个 ssh key

在 Ubuntu 服务器上添加刚才生成的 ssh key

禁止密码登录

配置 sudo 免密码和 apt 源

配置 sudo 免密码

配置 apt 源

安装 oh my zsh 以及常用命令

安装 oh my zsh

常用命令

安装 NVIDIA 驱动、CUDA 和 cuDNN（apt）

使用 apt 安装驱动

测试显卡

安装 CUDA 和 cuDNN

配置环境变量

安装 TensorRT（可选）

安装 NVIDIA 驱动、CUDA 和 cuDNN（run）

下载驱动

屏蔽 Nouveau

安装必要的编译工具

安装显卡驱动

测试显卡

安装 CUDA 和 cuDNN

安装 CUDA 10.0

安装 cuDNN

安装 Anaconda 和 Python 库

安装 Anaconda

配置 pip 源

Python 库

测试 PyTorch

测试 TensorFlow

Files

ubuntu-install-guide.md

Latest commit

History

ubuntu-install-guide.md

File metadata and controls

Ubuntu 装机步骤

安装 Ubuntu

配置 ssh

安装 openssh-server

使用 ssh-keygen 生成一个 ssh key

在 Ubuntu 服务器上添加刚才生成的 ssh key

禁止密码登录

配置 sudo 免密码 和 apt 源

配置 sudo 免密码

配置 apt 源

安装 oh my zsh 以及常用命令

安装 oh my zsh

常用命令

安装 NVIDIA 驱动、CUDA 和 cuDNN（apt）

使用 apt 安装驱动

测试显卡

安装 CUDA 和 cuDNN

配置环境变量

安装 TensorRT（可选）

安装 NVIDIA 驱动、CUDA 和 cuDNN（run）

下载驱动

屏蔽 Nouveau

安装必要的编译工具

安装显卡驱动

测试显卡

安装 CUDA 和 cuDNN

安装 CUDA 10.0

安装 cuDNN

安装 Anaconda 和 Python 库

安装 Anaconda

配置 pip 源

Python 库

测试 PyTorch

测试 TensorFlow

配置 sudo 免密码和 apt 源