Tensorflow：Cuda计算能力3.0。所需的最低Cuda能力为3.5

Question

我正在从源(documentation)安装tensorflow。

Cuda驱动程序版本：

InstrumentationRegistry.getInstrumentation().getUiAutomation()
            .performGlobalAction(AccessibilityService.GLOBAL_ACTION_BACK);

当我运行以下命令时：

nvcc: NVIDIA (R) Cuda compiler driver
Cuda compilation tools, release 7.5, V7.5.17

它给了我以下错误：

bazel-bin/tensorflow/cc/tutorials_example_trainer --use_gpu

我需要一个不同的gpu才能运行它吗？

Answer 1

我已经安装了Tensorflow 1.8版。它推荐CUDA 9.0。我正在使用具有CUDA计算能力3.0的GTX 650M卡，现在就像一个魅力。操作系统是ubuntu 18.04。以下是详细步骤：

安装依赖项

我已经为我的opencv 3.4编译包含了ffmpeg和一些相关的包，如果不需要则不安装 运行以下命令：

sudo apt-get update 
sudo apt-get dist-upgrade -y
sudo apt-get autoremove -y
sudo apt-get upgrade
sudo add-apt-repository ppa:jonathonf/ffmpeg-3 -y
sudo apt-get update
sudo apt-get install build-essential -y
sudo apt-get install ffmpeg -y
sudo apt-get install cmake git libgtk2.0-dev pkg-config libavcodec-dev libavformat-dev libswscale-dev -y
sudo apt-get install python-dev libtbb2 libtbb-dev libjpeg-dev libpng-dev libtiff-dev libjasper-dev libdc1394-22-dev -y
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libv4l-dev -y
sudo apt-get install libxvidcore-dev libx264-dev -y
sudo apt-get install unzip qtbase5-dev python-dev python3-dev python-numpy python3-numpy -y
sudo apt-get install libopencv-dev libgtk-3-dev libdc1394-22 libdc1394-22-dev libjpeg-dev libpng12-dev libtiff5-dev >libjasper-dev -y
sudo apt-get install libavcodec-dev libavformat-dev libswscale-dev libxine2-dev libgstreamer0.10-dev libgstreamer-plugins-base0.10-dev -y
sudo apt-get install libv4l-dev libtbb-dev libfaac-dev libmp3lame-dev libopencore-amrnb-dev libopencore-amrwb-dev libtheora-dev -y
sudo apt-get install libvorbis-dev libxvidcore-dev v4l-utils vtk6 -y
sudo apt-get install liblapacke-dev libopenblas-dev libgdal-dev checkinstall -y
sudo apt-get install libgtk-3-dev -y
sudo apt-get install libatlas-base-dev gfortran -y
sudo apt-get install qt-sdk -y
sudo apt-get install python2.7-dev python3.5-dev python-tk -y
sudo apt-get install cython libgflags-dev -y
sudo apt-get install tesseract-ocr -y
sudo apt-get install tesseract-ocr-eng -y 
sudo apt-get install tesseract-ocr-ell -y
sudo apt-get install gstreamer1.0-python3-plugin-loader -y
sudo apt-get install libdc1394-22-dev -y
sudo apt-get install openjdk-8-jdk
sudo apt-get install pkg-config zip g++-6 gcc-6 zlib1g-dev unzip  git
sudo wget https://bootstrap.pypa.io/get-pip.py
sudo python get-pip.py
sudo pip install -U pip
sudo pip install -U numpy
sudo pip install -U pandas
sudo pip install -U wheel
sudo pip install -U six

安装nvidia驱动程序

运行以下命令：

sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt-get update
sudo apt-get install nvidia-390 -y

重新启动并运行以下命令，它应该为您提供详细信息，如下图所示：

gcc-6和g ++ - 6检查。

CUDA 9.0需要gcc-6和g ++ - 6，运行以下命令：

cd /usr/bin 
sudo rm -rf gcc gcc-ar gcc-nm gcc-ranlib g++
sudo ln -s gcc-6 gcc
sudo ln -s gcc-ar-6 gcc-ar
sudo ln -s gcc-nm-6 gcc-nm
sudo ln -s gcc-ranlib-6 gcc-ranlib
sudo ln -s g++-6 g++

安装CUDA 9.0

转到https://developer.nvidia.com/cuda-90-download-archive。选择选项：Linux-＆gt; x86_64-＆gt; Ubuntu-＆gt; 17.04-＆gt; deb（本地）。 下载主文件和两个补丁。 运行以下命令：

sudo dpkg -i cuda-repo-ubuntu1704-9-0-local_9.0.176-1_amd64.deb
sudo apt-key add /var/cuda-repo-9-0-local/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda

导航到PC上的第一个补丁，然后双击它，它会自动执行，第二个补丁也是如此。

在下面添加到〜/ .bashrc文件的行并重新启动：

export PATH=/usr/local/cuda-9.0/bin${PATH:+:$PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}

为CUDA 9.0安装cudnn 7.1.4

从https://developer.nvidia.com/cudnn下载tar文件并将其解压缩到Downloads文件夹 下载需要nvidia开发的登录，免费注册 运行以下命令：

cd ~/Downloads/cudnn-9.0-linux-x64-v7.1/cuda
sudo cp include/* /usr/local/cuda/include/
sudo cp lib64/libcudnn.so.7.1.4 lib64/libcudnn_static.a /usr/local/cuda/lib64/
cd /usr/lib/x86_64-linux-gnu
sudo ln -s libcudnn.so.7.1.4 libcudnn.so.7
sudo ln -s libcudnn.so.7 libcudnn.so

为CUDA 9.0安装NCCL 2.2.12

从https://developer.nvidia.com/nccl下载tar文件并将其解压缩到Downloads文件夹 下载需要nvidia开发的登录，免费注册 运行以下命令：

sudo mkdir -p /usr/local/cuda/nccl/lib /usr/local/cuda/nccl/include
cd ~/Downloads/nccl-repo-ubuntu1604-2.2.12-ga-cuda9.0_1-1_amd64/
sudo cp *.txt /usr/local/cuda/nccl
sudo cp include/*.h /usr/include/
sudo cp lib/libnccl.so.2.1.15 lib/libnccl_static.a /usr/lib/x86_64-linux-gnu/
sudo ln -s /usr/include/nccl.h /usr/local/cuda/nccl/include/nccl.h
cd /usr/lib/x86_64-linux-gnu
sudo ln -s libnccl.so.2.1.15 libnccl.so.2
sudo ln -s libnccl.so.2 libnccl.so
for i in libnccl*; do sudo ln -s /usr/lib/x86_64-linux-gnu/$i /usr/local/cuda/nccl/lib/$i; done

安装Bazel（推荐使用bazel的手动安装，供参考：https://docs.bazel.build/versions/master/install-ubuntu.html#install-with-installer-ubuntu）

从https://github.com/bazelbuild/bazel/releases下载“bazel-0.13.1-installer-darwin-x86_64.sh” 运行以下命令：

chmod +x bazel-0.13.1-installer-darwin-x86_64.sh
./bazel-0.13.1-installer-darwin-x86_64.sh --user
export PATH="$PATH:$HOME/bin"

编译Tensorflow

我们将使用CUDA编译，使用XLA JIT（哦是）和jemalloc作为malloc支持。所以我们为这些东西输入yes。 运行以下命令并按照运行配置

所述的方式回答查询

git clone https://github.com/tensorflow/tensorflow 
git checkout r1.8
./configure
You have bazel 0.13.0 installed.
Please specify the location of python. [Default is /usr/bin/python]:
Please input the desired Python library path to use.  Default is [/usr/local/lib/python2.7/dist-packages]
Do you wish to build TensorFlow with jemalloc as malloc support? [Y/n]: y
jemalloc as malloc support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Google Cloud Platform support? [Y/n]: n
No Google Cloud Platform support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Hadoop File System support? [Y/n]: n
No Hadoop File System support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Amazon S3 File System support? [Y/n]: n
No Amazon S3 File System support will be enabled for TensorFlow.
Do you wish to build TensorFlow with Apache Kafka Platform support? [Y/n]: n
No Apache Kafka Platform support will be enabled for TensorFlow.
Do you wish to build TensorFlow with XLA JIT support? [y/N]: y
XLA JIT support will be enabled for TensorFlow.
Do you wish to build TensorFlow with GDR support? [y/N]: n
No GDR support will be enabled for TensorFlow.
Do you wish to build TensorFlow with VERBS support? [y/N]: n
No VERBS support will be enabled for TensorFlow.
Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: n
No OpenCL SYCL support will be enabled for TensorFlow.
Do you wish to build TensorFlow with CUDA support? [y/N]: y
CUDA support will be enabled for TensorFlow.
Please specify the CUDA SDK version you want to use, e.g. 7.0. [Leave empty to default to CUDA 9.0]:
Please specify the location where CUDA 9.1 toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]:
Please specify the cuDNN version you want to use. [Leave empty to default to cuDNN 7.0]: 7.1.4
Please specify the location where cuDNN 7 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda]:
Do you wish to build TensorFlow with TensorRT support? [y/N]: n
No TensorRT support will be enabled for TensorFlow.
Please specify the NCCL version you want to use. [Leave empty to default to NCCL 1.3]: 2.2.12
Please specify the location where NCCL 2 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda]:/usr/local/cuda/nccl
Please specify a list of comma-separated Cuda compute capabilities you want to build with.
You can find the compute capability of your device at: https://developer.nvidia.com/cuda-gpus.
Please note that each additional compute capability significantly increases your build time and binary size. [Default is: 3.0]
Do you want to use clang as CUDA compiler? [y/N]: n
nvcc will be used as CUDA compiler.
Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/x86_64-linux-gnu-gcc-7]: /usr/bin/gcc-6
Do you wish to build TensorFlow with MPI support? [y/N]: n
No MPI support will be enabled for TensorFlow.
Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native]:
Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: n
Not configuring the WORKSPACE for Android builds.
Preconfigured Bazel build configs. You can use any of the below by adding "--config=<>" to your build command. See tools/bazel.rc for more details.
 --config=mkl          # Build with MKL support.

 --config=monolithic   # Config for mostly static monolithic build.

Configuration finished

现在编译tensorflow，运行下面的命令，这是超级RAM消耗，需要时间。如果你有大量的RAM，你可以从下面的行中删除“--local_resources 2048，.5,1.0”，或者这可以在2 GB的RAM上运行

bazel build --config=opt --config=cuda --local_resources 2048,.5,1.0 //tensorflow/tools/pip_package:build_pip_package

编辑完成后，您将看到根据下图所示的内容，确认其成功

构建wheel文件，在下面运行：

bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg

使用pip安装生成的wheel文件

sudo pip install /tmp/tensorflow_pkg/tensorflow*.whl

要在设备上探索，现在可以运行tensorflow，下图是ipython终端上的展示

Answer 2

在anaconda中，带有cudatoolkit = 9.0的tensorflow-gpu = 1.12与具有3.0计算功能的gpu兼容。这是用于创建新环境以及为3.0 gpu安装必要的库的命令。

conda create -n tf-gpu
conda activate tf-gpu
conda install tensorflow-gpu=1.12
conda install cudatoolkit=9.0

然后您可以按照以下说明尝试。

>python
import tensorflow as tf
tf.Session()

这是我的输出

  

名称：GeForce GT 650M主要：3次要：0 memoryClockRate（GHz）：0.95   pciBusID：0000：01：00.0   totalMemory：3.94GiB空闲内存：3.26GiB   2019-12-09 13：26：11.753591：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1511]添加可见的gpu设备：0   2019-12-09 13：26：12.050152：I tensorflow / core / common_runtime / gpu / gpu_device.cc：982]具有强度1边缘矩阵的设备互连StreamExecutor：   2019-12-09 13：26：12.050199：I tensorflow / core / common_runtime / gpu / gpu_device.cc：988] 0   2019-12-09 13：26：12.050222：I tensorflow / core / common_runtime / gpu / gpu_device.cc：1001] 0：N   2019-12-09 13：26：12.050481：我tensorflow / core / common_runtime / gpu / gpu_device.cc：1115]创建了TensorFlow设备（/ job：localhost /副本：0 /任务：0 /设备：GPU：0和2989 MB内存）->物理GPU（设备：0，名称：GeForce GT 650M，pci总线ID：0000：01：00.0，计算能力：3.0）   

享受！

Answer 3

感谢您提供WHL！现在，当我奋斗几天只是为了对其进行编译（没有成功）时，我终于可以使用TF，因为我的笔记本电脑仅支持Compute 3.0。我无法按照您在全新安装的Ubuntu 18.04上的说明进行编译，并想指出几点：

• 在“依赖关系”部分，不再单独提供libjasper，从列出的存储库中不再提供ffmpeg，并且libtiff5-dev也不再可用（我认为这是新版本）。我知道这主要是针对OpenCV的东西，我也使用过。您还会重复几个软件包，例如git和unzip。
• 在您的“ Nvidia驱动程序”部分中，我认为该存储库中不提供该驱动程序。至少我不能拉它。使用您生成的WHL文件，我正在使用Nvidia网站上的418驱动程序，效果似乎很好。
• 在“为CUDA 9.0安装cudnn 7.1.4”部分中，“ cd / usr / lib / x86_64-linux-gnu”，但文件位于/ usr / local / cuda中。这个对吗？我猜这些链接至少必须被告知指向cuda文件夹。
• 在“为CUDA 9.0安装NCCL 2.2.12”部分中，您使用的是2.2.12，但您的命令行均引用2.1.15
• 在您的Bazel安装部分中，您说要使用Bazel Darwin安装程序，但我认为这是针对Mac的。我认为您需要Bazel Linux安装程序。

再次感谢您所做的所有工作！

P.S。我可以按照以下说明进行Tensorflow 1.12的git checkout并通过使用CUDA 9.2，CUDNN 7.1.4和NCCL 2,2,13并使用Bazel 0.15.0进行pip安装keras_applications和keras_preprocessing来构建它。有人指出，CUDA 9.0无法使用gcc6 / g ++ 6进行编译。显然可以9.2。

Answer 4

对于Tensorflow 2.1.0

我能够通过编译TF2.1.0的源代码在Windows上进行管理。 TF 2.2.0构建由于XLA原因而失败，即使禁用了bazel的所有XLA标志。也要警惕使用最新的Python版本-使用Python 3.8在预构建的pip程序包中出现一些奇怪的错误，因此我使用Python 3.6来解决该问题。

一个警告-在构建完成几个小时后，我开始使用该库，仅持续几秒钟的简单模型训练就可以了，但是对于基本卷积网络的训练在0或1个时期后失败了到CUDA错误。您的里程可能会有所不同。

Answer 5

@Taako，很抱歉收到您的回复。我没有保存上面显示的编辑的轮文件。但是，这是张量1.9的新版本。希望这对您有所帮助。请确保用于构建的以下详细信息。

Tensorflow：1.9 CUDA工具包：9.2 CUDNN：7.1.4 NCCL：2.2.13

以下是转轮文件的链接： wheel file