Labomedia Ressources

Cette page est en lecture seule. Vous pouvez afficher le texte source, mais ne pourrez pas le modifier. Contactez votre administrateur si vous pensez qu'il s'agit d'une erreur.
====== Archive Installation de CUDA et CUDNN sur un portable optimus avec debian 9 stretch et ubuntu 18.04======

=====Installation de Anaconda CUDA CUDNN sur ubuntu 18.04=====
====Avec Anaconda: mauvaise idée====
  * **[[https://gist.github.com/mari-linhares/cef4cb3440408e44963d1447a7db5ae0|Setting up a MSI laptop with GPU]] Installation de Ubuntu 18.04, CUDA, CDNN, Pytorch et TensorFlow**  Ce tuto va permettre d'installer et de vérifier "facilement" le bon fonctionnement du GPU.
===Conda===
  wget -c https://repo.anaconda.com/archive/Anaconda3-2018.12-Linux-x86_64.sh
  sh Anaconda3-2018.12-Linux-x86_64.sh
===CUDA===
<code>
wget -c https://developer.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.deb
sudo dpkg -i cuda-repo-ubuntu1804-10-1-local-10.1.105-418.39_1.0-1_amd64.deb
sudo apt-key add /var/cuda-repo-<version>/7fa2af80.pub
sudo apt-key add /var/cuda-repo-10-1-local-10.1.105-418.39/7fa2af80.pub
sudo apt-get update
sudo apt-get install cuda
</code>
===CUDNN===
Remarque: Début des essais avec
  sudo dpkg -i libcudnn7_7.5.0.56-1+cuda10.1_amd64.deb
qui n'a pas installer cudnn !!

Il faut avoir un compte sur Nvidia et se loguer pour pouvoir télécharger:
  wget -c https://developer.nvidia.com/compute/machine-learning/cudnn/secure/v7.5.0.56/prod/10.1_20190225/cudnn-10.1-linux-x64-v7.5.0.56.tgz

Décompresser, dans le dossier:
  sudo cp -P /media/data/cuda/targets/ppc64le-linux/lib/libcudnn* /usr/local/cuda-10.1/lib64/
  sudo cp  /media/data/cuda/targets/ppc64le-linux/include/cudnn.h /usr/local/cuda-10.1/include/
  sudo chmod a+r /usr/local/cuda-10.1/include/cudnn.h /usr/local/cuda/lib64/libcudnn*

===Installation de Pytorch===
<code>
# creation d'un environement virtuel conda
conda create -n torch python=3.7
# installation torch pour cuda 10
conda install -y pytorch=0.4 torchvision cuda100 -c pytorch
# test gpu install
</code>
<code python>
python3 -c 'import torch; print(torch.rand(2,3).cuda())'
</code>
<code>
__init__.py:116: UserWarning: 
    Found GPU0 GeForce GTX 765M which is of cuda capability 3.0.
    PyTorch no longer supports this GPU because it is too old.
  warnings.warn(old_gpu_warn % (d, name, major, capability[1]))
tensor([[0.6618, 0.3247, 0.4543],
        [0.9745, 0.8508, 0.0141]], device='cuda:0')
</code>
Ma carte n'est plus toute fraîche !
===Installation de TensorFlow===
<code>
sudo apt-get install libcupti-dev
sudo pip3 install tensorflow-gpu
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64
python3 -c 'from tensorflow.python.client import device_lib; device_lib.list_local_devices()'
</code>

=====Version sur Debian GNU/Linux Version 9 (stretch) 64-bit abandonnée=====
**Le but était de compiler YOLO Darknet.**
Nous avons installé Bumblebee et bbswitch. Cela ne permet pas d'avoir la carte Nvidia en permanence. 

**CMake >= 3.8 for modern CUDA support**\\
https://cmake.org/download/\\
Télécharger [[https://github.com/Kitware/CMake/releases/download/v3.14.0/cmake-3.14.0.tar.gz|cmake-3.14.0.tar.gz]]
  ./bootstrap && make && sudo make install 
  
**GCC or Clang**\\
  sudo apt-get install clang
  
**OpenCV < 4.0**\\
<code>
sudo pip3 install opencv-python==3.4.5.20 
# je ratisse large, installe ~ 100 paquets
sudo apt-get install libopencv-core-dev libopencv-highgui-dev libopencv-flann-dev libopencv-photo-dev libopencv-video-dev
# ceci devrait tout appeler
sudo apt-get install libopencv-dev
</code>

**CUDA**\\
CUDA 10.0: [[https://developer.nvidia.com/cuda-toolkit-archive|Cuda Toolkit]] (on Linux do [[https://docs.nvidia.com/cuda/cuda-installation-guide-linux/index.html#post-installation-actions|Post-installation Actions]])
  
  sudo apt-get install gcc g++ gcc-4.9 g++-4.9 libxi libxi6 libxi-dev libglu1-mesa libglu1-mesa-dev libxmu6 libxmu6-dev linux-headers-amd64 linux-source

Utilisation de la version ubuntu 18.04 de 2.4 Go !
  wget -c https://developer.nvidia.com/compute/cuda/10.1/Prod/local_installers/cuda_10.1.105_418.39_linux.run
Installation du driver seul. Mais comme il a été installé avant je pense que cette étape ne sert à rien.
  
**cuDNN**\\
cuDNN >= 7.0 for CUDA 10.0 https://developer.nvidia.com/rdp/cudnn-archive (set system variable CUDNN = where did you unpack cuDNN. On Linux in .bashrc-file)

https://github.com/AlexeyAB/darknet\\
https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installlinux-tar\\
Téléchargement et installation de libcudnn7_7.4.2.24-1+cuda10.0_amd64.deb 
Il faut obligatoirement avoir un compte Nvidia et se loguer.
  * [[https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb|libcudnn7-dev_7.4.2.24-1+cuda10.0_amd64.deb]]
ou ??
  * [[https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/libcudnn7_7.4.2.24-1+cuda10.0_amd64.deb|libcudnn7_7.4.2.24-1+cuda10.0_amd64.deb]]
Téléchargement et décompression de cudnn-10.0-linux-ppc64le-v7.4.2.24.tgz

Les chemins sont faux, le faire à la main avec un sudo votre navigateur de fichiers
  sudo cp cuda/include/cudnn.h /usr/local/cuda/include
  sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
Les droits sont juste, ne pas faire:
  sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*


**GPU with CC**\\
GPU with CC >= 3.0: Dans le [[https://en.wikipedia.org/wiki/CUDA#GPUs_supported|tableau]], mon GPU: GTX 765M supporte la version CUDA SDK 3.0

**make**\\
Export nécessaire pour avoir nvcc
  export PATH=/usr/local/cuda-10.1/bin${PATH:+:${PATH}}
  nvcc -V
  export PATH=/usr/local/cuda/bin${PATH:+:${PATH}}
  make
  
{{tag>archive sb}}