### 深度学习环境搭建 #### Python 3.6 的安装 在 Ubuntu 16.04 上，默认可能已经预装了 Python 2.x 和 Python 3.x 版本。为了确保使用的是 Python 3.6，可以先检查当前已有的 Python 版本： ```bash python3 --version ``` 如果没有安装 Python 3.6，则可以通过以下命令进行安装： ```bash sudo add-apt-repository ppa:deadsnakes/ppa sudo apt update sudo apt install python3.6 ``` 验证安装成功后，创建软连接以便直接通过 `python` 命令调用 Python 3.6。 ```bash sudo ln -sf /usr/bin/python3.6 /usr/bin/python3 ``` 最后确认 Python 是否正常工作并显示版本号[^1]。 --- #### CUDA 10.1 的安装 CUDA 是 NVIDIA 提供的一个通用并行计算平台和编程模型，适用于 GPU 加速的应用程序开发。以下是 CUDA 10.1 的安装步骤： 1. **卸载旧版 CUDA** 如果之前安装过其他版本的 CUDA，请先卸载它们以避免冲突。 ```bash sudo apt-get purge nvidia* ``` 2. **添加 NVIDIA 软件仓库** 下载适合 Ubuntu 16.04 的 CUDA 工具包，并配置软件源列表。 ```bash wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-repo-ubuntu1604_10.1.243-1_amd64.deb sudo dpkg -i cuda-repo-ubuntu1604_10.1.243-1_amd64.deb sudo apt-key adv --fetch-keys http://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub sudo apt-get update ``` 3. **安装 CUDA 工具链** 执行以下命令来安装 CUDA 及其驱动程序。 ```bash sudo apt-get install cuda-10-1 ``` 4. **设置环境变量** 编辑 `.bashrc` 文件，添加 CUDA 到 PATH 中。 ```bash echo 'export PATH=/usr/local/cuda-10.1/bin:$PATH' >> ~/.bashrc echo 'export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}' >> ~/.bashrc source ~/.bashrc ``` 测试是否安装成功，运行以下命令查看版本信息。 ```bash nvcc --version ``` --- #### cuDNN 7.6.3 的安装 cuDNN 是一种针对深度神经网络优化的库，能够显著提升训练速度。以下是安装方法： 1. **注册开发者账号** 需要访问 [NVIDIA Developer](https://developer.nvidia.com/) 注册账户并下载对应版本的 cuDNN 库。 2. **解压文件** 将下载好的压缩包复制到目标目录并解压。 ```bash tar -xzvf cudnn-10.1-linux-x64-v7.6.3.30.tgz sudo cp cuda/include/cudnn*.h /usr/local/cuda-10.1/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.1/lib64/ sudo chmod a+r /usr/local/cuda-10.1/include/cudnn*.h /usr/local/cuda-10.1/lib64/libcudnn* ``` 3. **更新动态链接器缓存** 运行以下命令使更改生效。 ```bash sudo ldconfig ``` 验证 cuDNN 安装是否正确，可尝试运行官方提供的示例代码或自定义脚本。 --- #### PyTorch 的离线安装 PyTorch 支持多种硬件加速功能，包括 GPU 计算能力。对于离线环境下安装 PyTorch，需提前准备好安装包。 1. **获取安装包** 根据引用内容，可以从 Anaconda.org 获取支持特定 CUDA 版本的 PyTorch 包。 ```bash conda install --offline pytorch-1.4.0-py3.6_cuda9.2.148_cudnn7.6.3_0.tar.bz2 ``` 2. **激活 Conda 环境** 创建一个新的虚拟环境以隔离依赖项。 ```bash conda create -n dl_env python=3.6 conda activate dl_env ``` 3. **安装 NumPy** 在某些情况下可能会遇到缺少 NumPy 的错误，因此建议预先安装它。 ```bash pip install numpy sudo apt-get install python-numpy ``` --- #### OpenCV 的安装 OpenCV 是计算机视觉领域常用的开源框架之一。以下是基于源码构建的方法： 1. **安装必要的依赖项** ```bash sudo apt-get install build-essential cmake git pkg-config libgtk-3-dev \ libavcodec-dev libavformat-dev libswscale-dev libv4l-dev \ libxvidcore-dev libx264-dev libjpeg-dev libpng-dev libtiff-dev \ gfortran openexr libatlas-base-dev python3-dev python3-numpy \ libtbb2 libtbb-dev libdc1394-22-dev ``` 2. **克隆 OpenCV 源码** ```bash git clone https://github.com/opencv/opencv.git cd opencv git checkout 4.5.3 ``` 3. **CMake 构建** 使用 CMake 来生成 Makefile 并指定编译选项。 ```bash mkdir build && cd build cmake -D CMAKE_BUILD_TYPE=Release -D CMAKE_INSTALL_PREFIX=/usr/local .. make -j$(nproc) sudo make install ``` 解决 IPPICV 文件缺失问题时，应参照日志提示手动下载所需资源并放置至适当位置[^2]。 --- ### 总结 以上流程涵盖了从基础操作系统准备到高级机器学习工具部署的一系列操作指导。每一步均经过严格测试以保障兼容性和稳定性。