1. 这篇文章的主要内容是：安装TensorFlow2过程中出现的问题及解决方案
  2. 如果你系统有多个cuda版本或者Tesla(需要专门的显卡驱动)，可以供参考，因为这些情况笔者没有操作过，不能乱讲。下面针对大众化的GeForce显卡的安装
  3. 笔者显卡是RTX2060，如果你和笔者一样，直接跟着走，我希望不浪费您的时间。如果我写了注意两字的地方，那可能需要引起你的重视，至少我是仔细思考过的。装最新的2.2吧，因为有mxnet用的CUDA10.0.我嫌麻烦，就没有用最新的了。
  4. 对于环境有python2,python2,anaconda,miniconda,甚至还有不同深度学习架构mxnet,tensorflow, caffe等等，不要卸载保留一个啊，对下面的TensorFlow2配置没有任何影响，请放心。
  5. 对于Ubuntu而言，偶数版本是长期支持的稳定版本(16, 18)，不要下载奇数的，那只是实验品。尽量不要选最新的，小白就不要去折腾，选择一年前的偶数版本哈。
  6. 对于mxnet的安装，笔者更新Ubuntu16.04和Windows10,可以参考下，有些地方还是很相似的

mxnet(动手学深度学习) Ubuntu安装及注意事项(CPU/GPU)
mxnet(动手学深度学习) Windows10安装及注意事项(CPU/GPU-cu100)

先看看我的，下面是版本要求，务必满足对应的条件
注意:从图上可以看出cuDNN>7.4,CUDA＝10.0,根据实际情况，做相应改变，下面是官网安装链接
官网的安装指导 https://tensorflow.google.cn/installSentenceTransformer gpu版本怎么安装_bash


目录

  • 1 快速下载Anaconda3/Miniconda
  • 1.1 进入anaconda的环境
  • 1.2 为新的TensorFlow2创建一个新的虚拟环境
  • 1.3 配置新的apython环境
  • 1.4 国内用户，加速apip的下载
  • 2 显卡问题
  • 2.1 Nvidia显卡，CUDA，CUDNN?
  • 2.2 我大致把显卡安装分为几种情况
  • 2.2.1 既没有N卡驱动，也没安装CUDA
  • 2.2.2 Tesla有专门的驱动
  • 2.2.3 有多个CUDA版本
  • 2.2.4 需要升级或降级驱动，自行想办法
  • 3 有疑问请留言


1 快速下载Anaconda3/Miniconda

高效是我们最喜欢的，下载太慢很头疼。为此，我给大家推荐清华镜像源，速度-你网速有多快下载就有多快，给大家一个思路，想要下载什么软件可以先到清华镜像源上搜索下，没有的话再到官网下载。
清华镜像源： https://mirrors.tuna.tsinghua.edu.cnSentenceTransformer gpu版本怎么安装_python_02
选择一个合适的版本，右键复制链接，用wget即可
注意:尽量选择最新的版本，TensorFlow2要求还是较高的;尽量不要在root下安装，直接sudo就好了，如果不可执行，记得加上+x的权限

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-2020.02-Linux-x86_64.sh
/Anaconda3-2020.02-Linux-x86_64.sh

注意：

  1. 推荐用Anaconda而不是Miniconda，因为假如瘦conda没有相应的软件，会在线下载，有些麻烦啊。
  2. 注意:安装到最后一定要选yes，将conda加入环境变量中。更新环境变量直接输入bash即可。

1.1 进入anaconda的环境

方法: bash 或者 source ~/.bashrc,看见前面多了一个base就进入anaconda的环境了

1.2 为新的TensorFlow2创建一个新的虚拟环境

为什么大家都用anaconda等包管理器呢?它确实非常方便，我想有两个主要原因

  1. 方便用conda或pip安装，升级，卸载
  2. 可以共存不同深度学习架构，很清晰管理所需的python版本

方法:
注意:务必执行上面bash 或者 source ~/.bashrc。
从最开的图片可以看出，待安装TensorFlow2的python有个范围，这里选择3.7是较好的，如果你支持最新的也不碍事，比较久的显卡选择合适的替换3.7
提示选择yes即可。

conda create --name apython python=3.7

注意:apython可以随便取，生成路径在安装anaconda目录下的envs文件夹中，apython这个生成文件夹大概有200M，安装完成后有1.6G

SentenceTransformer gpu版本怎么安装_python_03

1.3 配置新的apython环境

到自己根目录(~)，也就是一个cd，添加如下代码到.bashtrc 路径就是生成apython下的python3和pip，做适当修改。
注意：shell脚本中尽量不要多打空格，有些伙伴喜欢空格，空格可能导致语法出错，尽量不要用空格。感兴趣的，可以试试加上空格

alias apython="/home/topeet/anaconda3/envs/apython/bin/python3"
alias apip="/home/topeet/anaconda3/envs/apython/bin/pip"

记住, 修改.bashtrc后要进行bash下或者source.bashrc，不然不会生效。

这里添加了pip，给它一个假名apip,以后执行关于这个TensorFlow2的一些软件更新都要用假名apip，它指示结果放在apython。不可执行pip或pip3这个是改的系统的，而不是我们需要TensorFlow2。下面可以看到所有关于pip都换成了apip。这就是conda的优势啊。

1.4 国内用户，加速apip的下载

apip速度很慢，长时间下不下来就会报错，执行下面的第一句即可。

apip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
取消可以使用
pip config unset global.index-url

2 显卡问题

2.1 Nvidia显卡，CUDA，CUDNN?

这里有必要解释三个名词的含义，不要糊里糊涂的乱用命令啊。
Nvidia显卡: 你买的GPU需要驱动吧，没有驱动电脑是不认识的，当然驱动是官方提供的，任何设备都需要驱动，没有驱动不工作。
CUDA:是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。也就是说CUDA是NVIDIA推出的并行架构，只有买它的产品才能获得这种"售后"。深度学习中，也叫做N卡，称之为GPU。不是它的产品被叫做CPU版本，当然并行架构又不是只有CUDA，还有OpenBlas(免费)，intel(KML 收费)，换句话说，没有买N卡的电脑也可以并行加速，这里讲N卡。注意: 只有驱动装好了，才能装CUDA啊。
CUDNN:在CUDA基础上，进一步实现深度神经网络GPU加速，NVIDIA推出了CUDNN，它强调性能、易用性和低内存开销。Tensorflow、caffe， mxnet等都支持。这里就不讲了，感兴趣的可以百度下。注意: 只有装好了CUDA,才可以弄CUDNN。

2.2 我大致把显卡安装分为几种情况

2.2.1 既没有N卡驱动，也没安装CUDA

这种情况是最常见的，对于 Ubuntu16.04刚安装好，没有显卡驱动，此时是集显在工作。这时很容易搞定。本文专注TensorFlow2,所以你要明确你的显卡支持CUDA10吗？下图是一个参考。

SentenceTransformer gpu版本怎么安装_CUDA_04


可以用nvidia-smi查看，没有正常的输入的话，就是显卡驱动都没有，符合这里的情况。

CUDA各版本下载地址 https://developer.nvidia.com/cuda-toolkit-archive 选择CUDA10.0，按照下面选择，下载runfile(我知道还有其他方法，这么做是很快的)，文件比较大，因为里面有驱动和CUDA10.0 . ，这里有竟然还支持14,印证了偶数版本是长期为顶支持的，至少支持8年。


下载方法，喜欢命令的用wget，用浏览器下载也行，反正不限速。

安装很简单，先给它一个+x的权限，接着执行。或者bash sh xxxx

你可以通过Ctrl+C跳过文档的阅读，接受它一些条款。实在怕麻烦，全部选y。

注意：有Drive的地方一定选y，CUDA10.0也要选y，location不要变选y可以用nvidia-smi查看，就有输出了

SentenceTransformer gpu版本怎么安装_bash_05


将CUDA的lib64加入环境中，和上面类似，不要忘了bash，末尾添加一行

export LD_LIBRARY_PATH=${LD_LIBRARY_PATH}:/usr/local/cuda-10.0/lib64

如果后面出现问题bin目录也加入进去，如下，一般不用这么做, 一般是出现动态库连接问题，也有用ldconfig解决问题，上面用LD_LIBRARY_PATH也可以，因为你不是在编译原源码。。

export PATH=${PATH}:/usr/local/cuda-10.0/bin

还需要装cuDNN7.4，至少是cuDNN7.4,直接装最新的，满足最低的条件即可。

cuDNN下载 https://developer.nvidia.com/rdp/cudnn-download 需要注册账号，可以用QQ/微信快捷登录，速度很快。毕竟黄教主还是照顾我们的。
SentenceTransformer gpu版本怎么安装_CUDA_06
选择cuDNN Library for Linux
SentenceTransformer gpu版本怎么安装_CUDA_07
安装就是复制文件，细心操作

tar -zxvf cudnn-10.0-linux-x64-v7.6.5.32.tgz 
sudo cp cuda/include/cudnn.h  /usr/local/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

最后看看结果

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

SentenceTransformer gpu版本怎么安装_bash_08


安装tensorflow-gpu==2.0.0，其他版本修改版本号

apip install tensorflow-gpu==2.0.0

提前输入conda activate apython，测试

SentenceTransformer gpu版本怎么安装_bash_09

提前输入conda activate apython，用Pycharn自动导入TensorFlow2，此时打开Pycharm，如下，要在激活的apython中打开Pycharm。

SentenceTransformer gpu版本怎么安装_CUDA_10


如下选择，如果不自动出现，就自己选择,下图较浅的字。

SentenceTransformer gpu版本怎么安装_CUDA_11

2.2.2 Tesla有专门的驱动

和上面类似。下载合适的驱动，cuda安装不一样哈，一定要加版本号，否则是最新版，无意义。

sudo dpkg -i cuda-repo-ubuntu1604-10-0-local-10.0.130-410.48_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda-10.0

SentenceTransformer gpu版本怎么安装_bash_12

2.2.3 有多个CUDA版本

多个CUDA版本是可以共存的，和上面一摸一样，可以不卸载其他的，程序运行只关心我的版本能不能找到。

2.2.4 需要升级或降级驱动，自行想办法