17 подписчиков
TensorFlow и GPU: быстрая настройка
В 2024 году интеграция TensorFlow с GPU стала еще более удобной и доступной. Теперь нет необходимости вручную подбирать и устанавливать определенные версии CUDA и cuDNN для работы с TensorFlow. Существует несколько основных способов установки TensorFlow с поддержкой GPU, которые значительно упрощают процесс.
Способ 1: Установка через pip
Самый простой и быстрый способ установить TensorFlow с поддержкой GPU — это использовать менеджер пакетов pip:
pip install tensorflow[and-cuda]
Команда автоматически установит TensorFlow вместе с необходимыми компонентами для работы с GPU, включая соответствующие версии CUDA и cuDNN. После установки рекомендуется добавить в .bashrc следующий код для настройки переменных окружения:
NVIDIA_PACKAGE_DIR="$CONDA_PREFIX/lib/python3.11/site-packages/nvidia"
for dir in $NVIDIA_PACKAGE_DIR/*; do
if [ -d "$dir/lib" ]; then
export LD_LIBRARY_PATH="$dir/lib:$LD_LIBRARY_PATH"
fi
done
Этот скрипт автоматически добавит необходимые пути к библиотекам NVIDIA в переменную окружения LD_LIBRARY_PATH.
Способ 2: Сборка контейнера с использованием Docker
Для тех, кто предпочитает использовать контейнеризацию, существует альтернативный способ установки TensorFlow с поддержкой GPU через Docker. Этот метод позволяет создать изолированную среду с предустановленными компонентами.
Клонируем репозиторий:
git clone https://github.com/iot-salzburg/gpu-jupyter.git
Переходим в директорию репозитория:
cd gpu-jupyter
Проверяем доступные ветки и переключаемся на нужную ветку:
git branch
git checkout v1.7_cuda-12.2_ubuntu-22.04
Генерируем Dockerfile:
./generate-Dockerfile.sh --python-only
Собираем Docker-образ:
docker build -t gpu-jupyter .build/
Создаем токен для Jupyter Lab:
export JUPYTER_TOKEN=$(uuidgen)
echo $JUPYTER_TOKEN
Запускаем контейнер:
docker run --gpus all -d -it -p 8848:8888 -v $(pwd)/data:/home/jovyan/work -e GRANT_SUDO=yes -e JUPYTER_ENABLE_LAB=yes -e NB_UID="$(id -u)" -e NB_GID="$(id -g)" -e JUPYTER_TOKEN=${JUPYTER_TOKEN} --user root --restart always --name gpu-jupyter_1 gpu-jupyter
Этот метод позволяет создать полностью готовую среду для работы с TensorFlow и Jupyter Lab, где все необходимые компоненты уже настроены и готовы к использованию.
#ML
1 минута
2 октября 2024