企业网站排名优化,杭州做公司网站哪家好,网站底部广告,搜寻的网站有哪些正文共#xff1a;1333 字 21 图#xff0c;预估阅读时间#xff1a;2 分钟 上次我们在Windows上尝试用Tesla M4配置深度学习环境#xff08;TensorFlow识别GPU难道就这么难吗#xff1f;还是我的GPU有问题#xff1f;#xff09;#xff0c;但是失败了。考虑到Windows… 正文共1333 字 21 图预估阅读时间2 分钟 上次我们在Windows上尝试用Tesla M4配置深度学习环境TensorFlow识别GPU难道就这么难吗还是我的GPU有问题但是失败了。考虑到Windows本身就会调用图形显示可能会有影响所以我们本次换用Linux系统CentOS 7.9来尝试一下。 1、下载软件 结合上次的经验教训我们本次先确定合适的CUDACompute Unified Device Architecture Toolkit的版本。 Tesla M4 GPUGM206GL是一款基于Maxwell架构的入门级Tesla GPU发布于2015年6月切换到WDDM模式Tesla M4可以用于本地显示输出了。由于GPU高速发展2016年Nvidia就发布了基于Pascal架构的Tesla P4其在性能和功耗方面相比Tesla M4都有大幅提升因此逐渐取代Tesla M4成为主流2018年Nvidia又发布了基于Turing架构的Tesla V100 GPU在性能和功耗方面又有大幅提升并逐渐取代了Tesla P4成为主流。一般来讲认为Tesla M4的生命周期大约3年即从2015年发布到2018年淘汰。 Tesla M4使用的是Maxwell架构但因为其生命周期较短所以官网介绍并非所有Maxwell架构GPU都支持所有CUDA版本和cuDNN版本。我们在Nvidia官方的CUDA兼容性列表中可以查看 https://developer.nvidia.com/cuda-gpus 可以看到Tesla M系列GPU只列出了M40和M60两款但是M40和M4的主要差别在于规格和性能差异所以理论上讲M4应该也算是支持的。 然后我们到CUDA的下载页面找一下合适的版本。 https://developer.nvidia.com/cuda-toolkit-archive 根据时间推断应该是介于2015年到2019年中间符合要求的最低版本应该不低于7.0最高版本应该不低于10.0网传是11.7版本。为了保险起见我们先下载2018年9月发布的10.0版本试一下。 CUDA支持local本地和network网络两种安装方式。本地安装程序是自包含的包括每个组件。它是一个大文件runfile文件大小为2.0 GB补丁包为3.3 MBrpm文件大小为1.9 GB补丁包为3.6 MB只需要从互联网上下载一次就可以安装在多个系统上推荐在低带宽或隔绝互联网连接环境下试用。 而网络安装程序是一个小型安装程序客户端3.3 KB它会在安装过程中下载所需的组件。下载速度更快但每次新安装时都需要重新下载每个组件。我先给大家简单展示一下使用网络安装程序安装的效果。 rpm -i cuda-repo-rhel7-10.0.130-1.x86_64.rpm
yum clean all
yum install -y cuda 可以看到安装文件还是比较大的下载文件大小为4.3 GB比本地下载的文件还大安装占用空间为8.1 GB主要是下载时间太长。 所以还是推荐大家换用runfile或rpm进行安装。 确认完CUDA版本就可以去下载GPU驱动了在下载页面我们选择型号为Tesla M4操作系统选择为RHEL 7CUDA版本选择为10.0然后搜索驱动。 在驱动下载页面下载好驱动文件备用。 对应的还建议安装一下cuDNNCUDA Deep Neural Network library扩展列表页面如下 https://developer.nvidia.com/rdp/cudnn-archive 因为GPU驱动是在2019年9月份发布的在这中间我们找几个和CUDA 10.0相匹配、并且发布时间在2019年的最终选定同样是2019年发布的7.6.4版本应该是可以匹配的。 选择下载Linux版本。 2、检查配置系统环境 软件都下载好之后我们先检查一下系统。在安装NVIDIA驱动之前需要确保安装了epel-release以便后续安装依赖包。 yum install -y epel-release 然后更新系统以确保系统是最新的软件包。 yum list yum update -y 驱动安装可能需要特定的内核头文件和DKMSDynamic Kernel Module Support模块安装开发工具包并根据实际内核版本安装相应的kernel-devel包。 yum groupinstall Development Tools -y
yum install -y kernel-devel-$(uname -r) dkms 接下来将下载的GPU驱动、CUDA和cuDNN上传到主机。 3、安装GPU驱动 先安装GPU驱动。 chmod x NVIDIA-Linux-x86_64-410.129-diagnostic.run
./NVIDIA-Linux-x86_64-410.129-diagnostic.run --dkms --no-opengl-files 询问是否使用DKMS注册默认使用YES。 提示信息直接回车。 是否安装32位的库默认安装上吧。 等待驱动安装完成。 重启虚拟机检查驱动是否安装成功。 nvidia-smi 能够正常显示GPU型号、规格以及传感器信息。 4、安装CUDA及cuDNN 参考CUDA的官方指导安装软件。 chmod x cuda_10.0.130_410.48_linux.run
./cuda_10.0.130_410.48_linux.run 展示完EULA并接受之后配置各项参数。 安装完CUDA Toolkit之后按照提示向环境变量中添加文件路径。 echo export PATH/usr/local/cuda-10.0/bin:$PATH ~/.bashrc
echo export LD_LIBRARY_PATH/usr/local/cuda-10.0/lib64:$LD_LIBRARY_PATH ~/.bashrc
source ~/.bashrc 检查CUDA是否安装成功。 cuDNN在Linux下的安装和Windows一样只要将文件解压然后复制到CUDA Toolkit目录下即可。 tar -zxf cudnn-10.0-linux-x64-v7.6.4.38.tgz
cp -avr cuda/ /usr/local/cuda-10.0/ 至此软件安装完成。 长按二维码关注我们吧 Windows部署TensorFlow后识别GPU失败原因是啥 TensorFlow识别GPU难道就这么难吗还是我的GPU有问题 轻轻松松达到1.8 Gbps果然HCL还是搭配高档电脑更好使 将Juniper虚拟防火墙vSRX导入EVE-NG Juniper虚拟防火墙vSRX配置防火墙策略实现业务转发 配置VMware实现从服务器到虚拟机的一键启动脚本 Ubuntu 23.10通过APT安装Open vSwitch 使用Python脚本实现SSH登录设备 VMWare ESXi中不同的虚拟网卡性能竟然能相差三倍 VMWare ESXi 7.0的磁盘空间莫名少了120 GB看这里 同一个问题Gemini、ChatGPT、Copilot、通义千问和文心一言会怎么答 CentOS 7配置Bonding网卡绑定 H3C交换机S6850配置M-LAG基本功能 H3C交换机S6850配置M-LAG三层转发 Windows Server调整策略实现999999个远程用户用时登录 IPv6从入门到精通
