ubuntu16.04 安装Tensorflow（GTX980Ti+CUDA8.0+CUDNNv6.0）

如果安装过程遇到问题，可直接跳转到问题汇总查看

1.我的电脑安装环境：

双系统:win10+Ubuntu16.04（在Ubuntu下配置）

CPU:E5-1660 v4

GPU:GTX-980Ti

2.安装GPU版Tensorflow的官方要求

Tensorflow官方的安装要求在如下链接中可以看到：

https://www.tensorflow.org/install/install_linux



运行GPU版本的Tensorflow所需要的NVIDIA要求：

需要CUDA8.0版本 配置了LD_LIBRARY_PATH/CUDA_HOME 环境变量

需要CUDA8.0版本

需要cuDNNv6.0版本

GPU计算能力要达到3.0以上（GPU计算能力一览表）

执行sudo apt-get install libcupti-dev安装libcupti-dev相关依赖

根据官方要求，我们安装Tensorflow所需要做的事情如下：

确认GPU型号和性能，安装显卡驱动（无需最新）

安装libcupti-dev相关依赖

安装CUDA

安装cuDNN

安装
4000
Anaconda（官方给出了4种安装方式，这里我们选择Anaconda，主要目的是为了利用pyenv方便管理，pyenv的安装和使用可以参见这里）

安装TensorFlow-GPU

运行一个Tensorflow版的HelloWorld程序

3.开始安装

一、确认GPU型号和性能，安装显卡驱动

首先在确认你的GPU型号，可以在这里进行查询，也可以在Windows上借助第三方软件查询，然后在GPU性能一览表中确认你的GPU计算能力大于3，借着，在Ubuntu上安装对应版本的显卡驱动，由于我们使用的是CUDA8.0，所以强烈建议你安装375-26或者375-66，不建议安装最新版本的驱动，这样可能会有一些兼容性问题产生（我就遇到了，然后从384版本换回375版本了）。驱动安装教程可以查看这篇文章。（这篇文章里安装的是384，但我还是建议安装375，对应CUDA8.0）

二、安装libcupti-dev相关依赖

执行下面的指令安装libcupti-dev相关依赖

sudo apt-get install libcupti-dev

三、安装配置CUDA

CUDA的安装方式有多种，这里选择run方案(这种较省事)

点击这里的下载链接，进入NVIDIA官网下载界面，根据系统下载cuda包

注意：依据Tensorflow的官方历程要求，我们选择安装CUDA-8.0，因为现在官方还没有正式支持CUDA-9.0，但是也不是说完全不能使用9.0，只是在使用过程中会遇到一些找不到目标文件的错误（在问题汇总会提到），所以这里还是强烈推荐使用CUDA8.0（配合显卡375驱动）

我们根据自身系统的信息，逐步选择即可，然后点击页面上的Download{1.4GB}。



下载完成以后，我们利用cd命令，进入到cuda_8.0.61_375.26_linux.run文件所在的目录中，然后运行下面的指令，进行安装（注意这个文件名，前面的cuda_8.0.61代表cuda的版本，后面的375.26代表的对应的NVIDIA驱动的版本）

#先执行下面的命令安装相关依赖，
#否则会出现`Missing recommended library`错误
sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

sudo sh cuda_8.0.61_375.26_linux.run #开始安装

#..一堆协议说明...
#直接按q退出协议说明.
zerozone@zerozone: accept/decline/quit: accept  #接受协议

Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 375.26?
y)es/(n)o/(q)uit: n  #是否显卡驱动包，由于已经安装显卡驱动，选择n

Install the CUDA 8.0 Toolkit?
(y)es/(n)o/(q)uit: y #是否安装工具包，选择y

Enter Toolkit Location
[ default is /usr/local/cuda-8.0 ]: #工具包安装地址，默认回车即可

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

Install the CUDA 8.0 Samples?
(y)es/(n)o/(q)uit: y #安装样例

Enter CUDA Samples Location
[ default is /root ]:  #样例安装地址默认即可

# ***安装信息***
Installing the CUDA Toolkit in /usr/local/cuda-8.0 ...

Missing recommended library: libXi.so
Missing recommended library: libXmu.so
#注意，这里出现了Missing recommended library错误，
#是因为博主在第一次安装时，没有添加最开始的那条安装相关依赖的指令，
#之后我添加了依赖后，再次安装，就没有Missing错误了

Installing the CUDA Samples in /root ...
Copying samples to /root/NVIDIA_CUDA-8.0_Samples now...
Finished copying samples.

===========
= Summary =
===========
Driver:   Not Selected
Toolkit:  Installed in /usr/local/cuda-8.0
Samples:  Installed in /root, but missing recommended libraries

Please make sure that
-   PATH includes /usr/local/cuda-8.0/bin
-   LD_LIBRARY_PATH includes /usr/local/cuda-8.0/lib64, or, add /usr/local/cuda-8.0/lib64 to /etc/ld.so.conf and run ldconfig as root

To uninstall the CUDA Toolkit, run the uninstall script in /usr/local/cuda-8.0/bin

Please see CUDA_Installation_Guide_Linux.pdf in /usr/local/cuda-8.0/doc/pdf for detailed information on setting up CUDA.

***WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 361.00 is required for CUDA 8.0 functionality to work.

To install the driver using this installer, run the following command, replacing <CudaInstaller> with the name of this run file:

sudo <CudaInstaller>.run -silent -driver

Logfile is /tmp/cuda_install_6388.log
# ***安装完成***

配置CUDA相关环境变量

修改~/.bashrc文件 在文件末尾添加环境变量

Tensorflow官方安装历程要求注意的是:配置PATH和LD_LIBRARY_PATH和CUDA_HOME环境变量.

vim ~/.bashrc #修改配置文件（如果你用的是zsh，则需要修改 ~/.zshtc文件）

#在文件结尾处添加
export PATH="/usr/local/cuda-8.0/bin:$PATH"
export LD_LIBRARY_PATH="/usr/local/cuda-8.0/lib64:$LD_LIBRARY_PATH"
export CUDA_HOME="/usr/local/cuda-8.0:$CUDA_HOME

结果如图所示：



测试CUDA样例

安装完成后，可以利用cuda样例来测试是否安装成功

#进入样例工程文件夹
zerozone@zerozone:/usr# cd /root/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery/

zerozone@zerozone:~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery# ls
deviceQuery.cpp  Makefile  NsightEclipse.xml  readme.txt

#make编译工程
zerozone@zerozone:~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery# make

"/usr/local/cuda-8.0"/bin/nvcc -ccbin g++ -I../../common/inc  -m64    -gencode arch=compute_20,code=sm_20 -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_37,code=sm_37 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_52,code=sm_52 -gencode arch=compute_60,code=sm_60 -gencode arch=compute_60,code=compute_60 -o deviceQuery.o -c deviceQuery.cpp

nvcc warning : The 'compute_20', 'sm_20', and 'sm_21' architectures are deprecated, and may be removed in a future release (Use -Wno-deprecated-gpu-targets to suppress warning).

"/usr/local/cuda-8.0"/bin/nvcc -ccbin g++   -m64      -gencode arch=compute_20,code=sm_20 -gencode arch=compute_30,code=sm_30 -gencode arch=compute_35,code=sm_35 -gencode arch=compute_37,code=sm_37 -gencode arch=compute_50,code=sm_50 -gencode arch=compute_52,code=sm_52 -gencode arch=compute_60,code=sm_60 -gencode arch=compute_60,code=compute_60 -o deviceQuery deviceQuery.o

nvcc warning : The 'compute_20', 'sm_20', and 'sm_21' architectures are deprecated, and may be removed in a future release (Use -Wno-deprecated-gpu-targets to suppress warning).

mkdir -p ../../bin/x86_64/linux/release

cp deviceQuery ../../bin/x86_64/linux/release

#查看生成的可执行文件
zerozone@zerozone:~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery# ls
deviceQuery      deviceQuery.o  NsightEclipse.xml
deviceQuery.cpp  Makefile       readme.txt

#执行
zerozone@zerozone:~/NVIDIA_CUDA-8.0_Samples/1_Utilities/deviceQuery# ./deviceQuery

#输出如下表示可用
./deviceQuery Starting...
CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce GTX 1080"
#注意这里CUDA的Driver和Runtime的版本都是8.0，
#如果我们之前安装的显卡驱动是384的话，那么这里的Driver版本就会变成9.0
#我之前就是9.0/8.0，后面觉得不妥就重新安装了375的驱动
CUDA Driver Version / Runtime Version          8.0 / 8.0
CUDA Capability Major/Minor version number:    6.1
Total amount of global memory:                 8111 MBytes (8504868864 bytes)
(20) Multiprocessors, (128) CUDA Cores/MP:     2560 CUDA Cores
GPU Max Clock rate:                            1873 MHz (1.87 GHz)
Memory Clock rate:                             5005 Mhz
Memory Bus Width:                              256-bit
L2 Cache Size:                                 2097152 bytes

Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
Total amount of constant memory:               65536 bytes
Total amount of shared memory per block:       49152 bytes
Total number of registers available per block: 65536
Warp size
df97
:                                     32
Maximum number of threads per multiprocessor:  2048
Maximum number of threads per block:           1024
Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
Maximum memory pitch:                          2147483647 bytes
Texture alignment:                             512 bytes
Concurrent copy and kernel execution:          Yes with 2 copy engine(s)
Run time limit on kernels:                     Yes
Integrated GPU sharing Host Memory:            No
Support host page-locked memory mapping:       Yes
Alignment requirement for Surfaces:            Yes
Device has ECC support:                        Disabled
Device supports Unified Addressing (UVA):      Yes
Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0

Compute Mode:
< Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 8.0, CUDA Runtime Version = 8.0, NumDevs = 1, Device0 = GeForce GTX 1080

Result = PASS

四、安装cuDNN

下载cuDNN（必须注册NVIDIA开发者帐号，并填写问卷才能下载），可以点击这个页面直接注册并下载。（依据Tensorflow的官方安装历程要求cudnn-v6.0）



这里选择第三个进行下载：cuDNN v6.0 Library for Linux

安装cuDNN

下载完成后，进入所在目录，找到cudnn-8.0-linux-x64-v5.1.tgz文件

tar -zxvf cudnn-8.0-linux-x64-v5.1.tgz #解压
uda/include/cudnn.h
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.5
cuda/lib64/libcudnn.so.5.1.10
cuda/lib64/libcudnn_static.a
#添加cudnn到cudn库
sudo cp cuda/include/cudnn.h /usr/local/cuda/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
#修改添加到cuda库的cudnn权限
sudo chmod a+r /usr/local/cuda/include/cudnn.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

五、安装Anaconda

具体安装教程，可以查看这篇博文

这里有一个更简单方便，也更容易管理的方法，就是在上面的连接中下载好Anaconda3-5.0.1-Linux-x86_64.sh文件后，将文件拷贝到

.pyenv/cache

路径下（如果是第一次利用pyenv安装，需要新建cache文件夹）。然后直接在命令行中运行下面的指令：（前提是已经安装了pyenv，安装教程在这里）

pyenv install Anaconda3-5.0.1

这个方法最好的地方就在于，可以同时安装多个版本的python和Anaconda，并且互相之间并不影响，利用此方法安装Anaconda后，只需建立相应的虚拟环境，就可以安装Tensorflow了（我采用的就是这个方法）

六、安装TensorFlow-GPU

官方建议有四种安装方式:

virtualenv

“native” pip

Docker

Anaconda

这里我们选择第四种，因为Anaconda集成了大量工具包，对以后的程序开发很方便。



安装步骤：

首先，创建名为tensorflow的conda环境

如果你直接使用Anaconda

conda create -n tensorflow #创建tensorflow环境空间
source activate tensorflow #激活conda tensorflow
(tensorflow)$  # 此时用户名前多了一个(tensorflow)，表示已激活命名环境
...
source deactivate #该指令用于关闭环境

如果你利用pyenv安装了Anaconda

pyenv virtualenv anaconda3-5.0.1 tensorflow
pyenv activate tensorflow
(tensorflow)$  # 此时用户名前多了一个(tensorflow)，表示已激活命名环境
...
pyenv deactivate #该指令用于关闭环境

而后，依据本机配置选择合适的TensorFlow版本

TensorFlow官方给的安装包的url在这里

但是这里有一点需要特别注意，不然就安装成错误的版本，导致无法导入tensorflow。

拿python3.5的gpu-Tensorrflow的url做例子：

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.5.0-cp35-cp35m-linux_x86_64.whl

可以看到，这里的gpu-Tensorflow的版本是1.5.0，而1.5.0对应的CUDA和cuDNN的版本如下所示。



tensorflow_gpu-1.5.0对应的cuDNN和CUDA版本分别为cuDNN7和CUDA9

所以我们不能直接复制上面的url进行安装，需要作出一些改动，很简单，只需要把官方提供的url中的1.5.0改成1.4.0即可，操作如图所示

(tensorflow) $ pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.4.0-cp35-cp35m-linux_x86_64.whl

等待下载完成后

进入/root/anaconda2/bin，运行该目录下的python（如果你使用的是pyenv创建的环境，则直接运行python即可，无需进入指定路径）

导入tensorflow包，导入正常表示环境配置成功

编写其他代码，写出自己的Hello World!

$ python
Python 3.5.4 |Anaconda, Inc.| (default, Nov 20 2017, 18:44:38)
[GCC 7.2.0] on linux
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
>>> hello = tf.constant('hello,tensorflow!')
>>> sess=tf.Session()
...
>>> print(sess.run(hello))
b'hello,tensorflow!'

两点说明：

不推荐使用python3.6，这是因为tensorflow官方提供的3.6版本的tensorflow-gpu好像自身有一点bug，导致安装完成后

import tensorflow

时会出现如下错误：

RuntimeWarning: compiletime version 3.5 of module 'tensorflow.python.framework.fast_tensor_util' does not match runtime version 3.6 return f(*args, **kwds)

目前Anaconda3默认的python版本是3.6.4，可以使用

conda create --name test_py3 python=3.5

创建一个基于python3.5的环境

如果你想安装tensorflow_gpu-1.5.0+CUDA9.0+cuDNNv7.0，可以参见其他教程，但是过新的版本出现问题的概率较大，网上对新版本的问题讨论也较少，不利于新手学习

4.问题汇总

安装tensorflow-gpu的过程遇到很多很多坑，写这篇博文主要目的也是为了记录一下自己遇到的问题和解决方案，以方便后期回顾，以下就是遇到的问题和对应解决方案

问题一：当使用cuda9时，运行

import tensorflow as tf

，出现错误：ImportError: libcublas.so.8.0: cannot open shared object file: No such file or directory

解决方法：

在网上查了很久，发现很多人都遇到了这个问题，但是都不知道怎么解决，最后，在NVIDIA的官网看到了答复，大意是指目前，Tensorflow-GPU的二进制可安装版本需要CUDA 8才可以，如果你真的想使用CUDA 9 / CUDNN 7，你需要从源代码构建TF（tensorflow）。 否则，必须安装CUDA 8并指向TF。当然，你可以同时安装CUDA 8可以与CUDA 9，并且不需要修改驱动程序; CUDA 9 GPU驱动程序将与CUDA 8配合使用。



参考来源：

https://github.com/tensorflow/tensorflow/issues/14622

https://stackoverflow.com/questions/44865253/libcublas-so-8-0-error-with-tensorflow

https://devtalk.nvidia.com/default/topic/1026198/cuda-9-0-importerror-libcublas-so-8-0/

问题二：cuDNN下载页面维护

如果你没有从我上面提供的链接进入到下载页面，那么你有可能遇到下载页面处于维护状态的情况：



解决方法是访问下面的地址进行下载（需要注册）

https://developer.nvidia.com/rdp/cudnn-download#a-collapseTwo

https://developer.nvidia.com/rdp/cudnn-download

问题三：cuda的driver和runtime版本不一致

一般表现为driver版本高于runtime，这主要是因为安装了高过版本的NVIDIA驱动导致的，解决方案是查看cuda安装包的文件名，获取对应NVIDIA驱动的版本，并进行安装（并没有直接证据表明二者版本不一致会引发问题，这里只是提供一种可能性，如果你此时实在想不到哪里有问题的话，可以考虑重新安装驱动，使版本一致）

cuda的driver和runtime版本最好都要为8.0（版本查看方法参见上文中的cuda样例）

问题四：Missing recommended library

如果你在安装CUDA的过程中遇到了下面的问题

Installing the CUDA Toolkit in /usr/local/cuda-8.0 ...
...
Missing recommended library: libXi.so
Missing recommended library: libXmu.so

解决方案：安装相关依赖库

原因是缺少相关的依赖库,安装相应库就解决了：

sudo apt-get install freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libgl1-mesa-glx libglu1-mesa libglu1-mesa-dev

问题五：在import tensorflow as tf时返回RuntimeWarning: compiletime version 3.5 of module ‘tensorflow.python.framework.fast_tensor_util’ does not match runtime version 3.6 return f(*args, **kwds)

查阅了很多网站，貌似这是tensorflow自身的一个bug

解决方案（我采取的）：降低python版本到3.5，重新安装对应python3.5的tensorflow

问题六：使用的明明是CUDA8.0，但是在import tensorflow as tf时却返回ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory）

这主要是因为错误的安装了tensorflow的版本导致的，从下面的版本对应图中可以看到，如果使用CUDA8.0+cuDNNv6.0的话，应该安装1.4.0版本的tensorflow（官方默认提供1.5.0）



解决方案：

查看tensorflow版本对应的cuda和cudnn的版本（我下载的1-5-0，对应的是9和7，所以才出现了ImportError: libcublas.so.9.0: cannot open shared object file: No such file or directory）

找到想要安装的版本后，只需要将官方提供的默认url中的版本号改成你想安装的版本号即可。

例如，我想要1.4.0版本的，只需要做如下更改：

官方提供的：

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.5.0-cp35-cp35m-linux_x86_64.whl

我更改后的：

https://storage.googleapis.com/tensorflow/linux/gpu/tensorflow_gpu-1.4.0-cp35-cp35m-linux_x86_64.whl