深度学习|RTX3080+Ubuntu18.04+cuda11.1+cudnn8.0.4+TensorFlow1.15.4+PyTorch1.7.0环境配置 tensorflow|pytorch|cuda|深度学习

RTX3080+Ubuntu18.04+cuda11.1+cudnn8.0.4+TensorFlow1.15.4+PyTorch1.7.0环境配置

一、驱动及cuda、cudnn的安装
二、pytorch的安装
- 1. 源码编译安装
- 2. pip方式安装
三、TensorFlow的安装
- ※ nvidia-tensorflow==1.15.4+nv20.10版本的安装
- - 1. 安装 TensorFlow wheel的索引
  - 2. 安装TensorFlow
  - 3. 安装nvidia-TensorFlow对应的依赖包
  - 4. TensorFlow测试
四、后记
参考

有幸公司给购买了RTX3080，可以上手试试，但是发现环境的配置是个头大的问题，且由于项目的关系，至今TensorFlow的版本至今仍是1.x的版本，所以得考虑TensorFlow的具体版本对应，还有pytorch的适配。最终经过各方资料的查找与尝试，终于安装完成，安装好的驱动及各版本如下。
Ubuntu：18.04.5
cuda：11.1
cudnn：8.0.4.30
TensorFlow：1.15.4
pytorch：1.7.0
首先分享安装所有库的网盘链接：
网址：https://pan.baidu.com/s/1j6XSG8oyBX6lzHzka7xr3Q；
提取密码：5tgm
一、驱动及cuda、cudnn的安装 RTX3080采用了新的Ampere架构GA102-200，那么显卡驱动也必然是需要最新的，可以参考cuda与驱动对应的关系：

深度学习|RTX3080+Ubuntu18.04+cuda11.1+cudnn8.0.4+TensorFlow1.15.4+PyTorch1.7.0环境配置

文章图片

我们安装的是455.23.04版本，CUDA是11.1版本，cudnn是8.0.4.30版本，具体的安装方法可参考一下网址。
ubuntu16.04系统run方式安装nvidia显卡驱动
Ubuntu16.04下cuda和cudnn的卸载和升级
方法都是大同小异，最后输入nvidia-smi确认驱动是否安装好，nvcc --version确认是否安装好cuda。

文章图片

文章图片

二、pytorch的安装 1. 源码编译安装 pytorch的安装相对简单一些，可以选择源码编译安装，也可以选择直接pip的方式安装。由于我的网络实在不好，每次在拉源码的时候都会报错，就放弃了。。依赖库真的太难下载了。具体的源码编译方式可参考下面的方法。
RTX3080/RTX3090驱动安装CUDA11.1+CUDNN8.0.4.30+pytorch源码编译
Pytorch源码编译简明指南
2. pip方式安装进入pytorch官网，可以看到下载方式，命令：

pip install torch==1.7.0+cu110 torchvision==0.8.1+cu110 torchaudio===0.7.0 -f https://download.pytorch.org/whl/torch_stable.html

文章图片

也可以进入下载的网站，直接点击下载，然后再通过安装whl的方式进行安装pytorch。

文章图片

安装完的结果如下图。

文章图片

安装完再进行测试，版本以及cuda是否可用。

文章图片

三、TensorFlow的安装 【深度学习|RTX3080+Ubuntu18.04+cuda11.1+cudnn8.0.4+TensorFlow1.15.4+PyTorch1.7.0环境配置】如果没有版本的硬性要求，甚至可以直接通过安装tf-nightly的版本，那就很方便了，直接通过命令：

pip install tf-nightly-gpu

就可以安装好了，对应版本是2.4+。
※ nvidia-tensorflow==1.15.4+nv20.10版本的安装经过大量资料的查找，得知TensorFlow官方是已经放弃了1.x的版本更新，那么还有没有还在更新的TensorFlow1.x版本呢？答案是有，终于被我们找到了，参考Accelerating TensorFlow on NVIDIA A100 GPUs。这是nvdia官方对也是安培架构的A100 GPU进行编译的TensorFlow 1.15版本，进行了简单介绍以及安装方法，这对同样是安培架构的3080也是通用的。
具体安装方法简介如下：
1. 安装 TensorFlow wheel的索引

pip install nvidia-pyindex

2. 安装TensorFlow

pip install nvidia-tensorflow

大概率是会安装报错，有许多个依赖包，且有些包比较大，如果是不能科学上网的话，很难一次性安装成功。那么优先安装依赖包。
3. 安装nvidia-TensorFlow对应的依赖包
具体依赖包有下：

nvidia-cublas11.2.1.74 nvidia-cuda-cupti11.1.69 nvidia-cuda-nvcc11.1.74 nvidia-cuda-nvrtc11.1.74 nvidia-cuda-runtime11.1.74 nvidia-cudnn8.0.4.30 nvidia-cufft10.3.0.74 nvidia-curand10.2.2.74 nvidia-cusolver11.0.0.74 nvidia-cusparse11.2.0.275 nvidia-dali-cuda1100.26.0 nvidia-dali-nvtf-plugin 0.26.0+nv20.10 nvidia-nccl2.7.8 nvidia-pyindex1.0.5 nvidia-tensorboard1.15.0+nv20.10 nvidia-tensorrt7.2.1.4 tensorflow-estimator1.15.1

且依赖包的版本也需要严格对应（以上版本都是对应TensorFlow1.15.4+nv20.10的），否则会报错无法安装。最后安装nvidia-tensorflow，可以得到版本是1.15.4+nv20.10。安装结果如下图。

文章图片

考虑到大家都不容易下载，我已经把依赖包下载下来并传到网盘了，大家可以自行下载。依赖包下载地址（提取密码5tgm）。有一些包有安装的先后顺序，大家在尝试之后就知道了，就不详细叙述了（也忘记了0.0）。
4. TensorFlow测试
最后安装完了TensorFlow，尝试一下是否可用。

文章图片

文章图片

可以看到TensorFlow已经安装成功，且可以识别到显卡并调用cudnn了。
四、后记后面尝试训练并推理使用，发现显卡已经是可用的状态了，且性能真的可以比得上rtx2080ti，在训练crnn时发现训练速度甚至能提升20%，推理时与2080ti速度差不多，但价格便宜近一半，确实是性价比很高的卡。
参考【1】: NVIDIA CUDA Toolkit Release Notes
【2】: RTX3080/RTX3090驱动安装CUDA11.1+CUDNN8.0.4.30+pytorch源码编译
【3】: 手起刀落 RTX 3080 - ResNet50 Benchmark Test
【4】: cuDNN Release 8.x.x
【5】: Accelerating TensorFlow on NVIDIA A100 GPUs