ubuntu 安装 jax jaxlib cpu 和 gpu 版本 以及 tensorflow tensorRT的安装

需要事先安装较新版本的 cuda 和cudnn ，例如11.8 + 8.8

在已经安装过cuda的机器上安装新版cuda sdk 和 cudnn 可参考前述：

ubuntu 安装 多版本 cuda 11.4 11.8_Eloudy的博客-CSDN博客

一，安装python3 和 pip3

1. sudo apt-get install python3
3. sudo apt-get install python3-pip
5. pip3 --version
7. sudo pip3 install --upgrade pip

二，安装 cpu版本的 jax 和 jaxlib
  

  使用pip官方源安装 jax:  

sudo pip3 install jax jaxlib

    使用pip清华源安装 jax:(更新很及时，没看出版本差别)

  

sudo pip3 install jax jaxlib -i https://pypi.tuna.tsinghua.edu.cn/simple

        其他可选源：

1.              -i https://mirrors.aliyun.com/pypi/simple/
2.              -i http://mirrors.cloud.tencent.com/pypi/simple
3.              -i http://pypi.douban.com/simple

        永久换pip源：

sudo pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

        配置其他网址，类似替换
        
    安装内容：
        Downloading jax-0.2.17.tar.gz
        Downloading jaxlib-0.1.69-cp36-none-manylinux2010_x86_64.whl
        Downloading absl_py-1.4.0-py3-none-any.whl
        Downloading numpy-1.19.5-cp36-cp36m-manylinux2010_x86_64.whl
        Downloading opt_einsum-3.3.0-py3-none-any.whl
        Downloading flatbuffers-2.0.7-py2.py3-none-any.whl
        Downloading scipy-1.5.4-cp36-cp36m-manylinux1_x86_64.whl

    成功安装后会显示：
Successfully built jax
Installing collected packages: scipy, opt_einsum, jaxlib, jax
Successfully installed jax-0.4.4 jaxlib-0.4.4 opt_einsum-3.3.0 scipy-1.10.1
        

三，安装gpu版本的jax和jaxlib

安装gpu版本时遇到了一些版本问题，最后干脆将系统升级到cuda 11.8  cudnn 8.8

ubuntu 安装 多版本 cuda 11.4 11.8_Eloudy的博客-CSDN博客

先卸载原先的jax和 jaxlib，并更新pip：

1. pip uninstall jax jaxlib
3. pip install --upgrade pip

然后直接显式指定cuda和cudnn版本安装：

pip install "jax[cuda11_cudnn86]" -f https://storage.googleapis.com/jax-releases/jax_cuda_releases.html

安装成功：

四，示例测试

1. 

python3
>>> import jax.numpy as np
>>>
 

2. 

1. import jax.numpy as np
3. from jax import random
4. import time
6. x = random.uniform(random.PRNGKey(0), [5000, 5000])
7. st=time.time()
8. try:
9. y=np.matmul(x, x)
11. except Exception:
13. print("error")
15. print(time.time()-st)
17. print(y)

运行时没有向cpu版本那样提示找不到gpu：

3. 生成三维数组

1. import jax.numpy as jnp
2. from jax import grad, jit, vmap
3. from jax import random
5. key = random.PRNGKey(0)
6. x = random.normal(key,(7, 2, 3))
7. print(x)

4. 计算 LU分解

1. import jax.numpy as jnp
2. from jax import grad, jit, vmap
3. from jax import random
5. import pprint
6. import scipy
7. import scipy.linalg
9. key = random.PRNGKey(0)
10. A = random.normal(key,(7, 7))
11. print("A=")
12. pprint.pprint(A)
14. P, L, U = scipy.linalg.lu(A)
16. print("A=")
17. pprint.pprint(A)
19. print("P=")
20. pprint.pprint(P)
22. print("L=")
23. pprint.pprint(L)
25. print("U=")
26. pprint.pprint(U)

执行： 

 

官方安装参考网址

GitHub - google/jax: Composable transformations of Python+NumPy programs: differentiate, vectorize, JIT to GPU/TPU, and more

五，顺便安装个tensorflow

先炸一炸最新版本

$ pip3 install tensorflow-gpu==33.33

输出如下：

1. mklguy@mklguy--PC:~/ex/tensorflow_ex$ pip install tensorflow-gpu==33.33
2. Defaulting to user installation because normal site-packages is not writeable
3. ERROR: Could not find a version that satisfies the requirement tensorflow-gpu==33.33 (from versions: 2.2.0, 2.2.1, 2.2.2, 2.2.3, 2.3.0, 2.3.1, 2.3.2, 2.3.3, 2.3.4, 2.4.0, 2.4.1, 2.4.2, 2.4.3, 2.4.4, 2.5.0, 2.5.1, 2.5.2, 2.5.3, 2.6.0, 2.6.1, 2.6.2, 2.6.3, 2.6.4, 2.6.5, 2.7.0rc0, 2.7.0rc1, 2.7.0, 2.7.1, 2.7.2, 2.7.3, 2.7.4, 2.8.0rc0, 2.8.0rc1, 2.8.0, 2.8.1, 2.8.2, 2.8.3, 2.8.4, 2.9.0rc0, 2.9.0rc1, 2.9.0rc2, 2.9.0, 2.9.1, 2.9.2, 2.9.3, 2.10.0rc0, 2.10.0rc1, 2.10.0rc2, 2.10.0rc3, 2.10.0, 2.10.1, 2.11.0rc0, 2.11.0rc1, 2.11.0rc2, 2.11.0, 2.12.0)
4. ERROR: No matching distribution found for tensorflow-gpu==33.33

可得当前最大版本为2.12.0；

选择tensorflow 2.11.0吧：

$ pip3 install tensorflow-gpu==2.11.0

 安装完成后的效果如图：

测试：

1. python3
3. >>> import tensorflow as tf

发现提示warning，需要安装TensorRT；

六，安装TensorRT

步骤：

1. 下载 8.6cudnn版的Linux x64 的 tar包， TensorRT-8.5.3.1.Linux.x86_64-gnu.cuda-11.8.cudnn8.6.tar.gz

在该网址下载 

https://developer.nvidia.com/nvidia-tensorrt-8x-download

2. 解压到对应cuda sdk版本的合适的位置

例如 /usr/local/cuda-11.8/

3. 设置环境变量

1. export PATH=/usr/local/cuda/bin:$PATH
2. export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
3. export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda-11.8/TensorRT_sdk/TensorRT-8.5.3.1/lib
4. export TF_ENABLE_ONEDNN_OPTS=0

目前需要每次使用前单独执行这些命令；

——————

也可写入当前用户的~/.bashrc 文件的最后面

不过这样写还是没有通用性，一旦改为别的版本的 cuda 和 cudnn 以及 TensorRT的话，需要重新改写这些环境变量的值，特别是设置 TensorRT 的那句；

通用的方式可以使用软连接,创建一个类似/usr/local/cuda的软连接，在/usr/local/tensorRT,每次修改cuda的指向时，顺便修改tensorRT的指向；

4. 拷贝文件

在TensorRT的lib文件夹中，将 libnvinfer_plugin.so.7 拷贝成  libnvinfer_plugin.so.8

直接执行cp即可；因为tensorflow个别程序写的比较死，需要加载文件名为xxx.so.7的lib文件；

cp libnvinfer_plugin.so.8 libnvinfer_plugin.so.7

5. 安装python wheel

先查看python3的版本号：

python3 --version

返回3.8.10

进入wheel文件夹：

1. $ cd /usr/local/cuda-11.8/TensorRT_sdk/TensorRT-8.5.3.1/python
2. $ ls
5. tensorrt-8.5.3.1-cp310-none-linux_x86_64.whl
6. tensorrt-8.5.3.1-cp36-none-linux_x86_64.whl
7. tensorrt-8.5.3.1-cp37-none-linux_x86_64.whl
8. tensorrt-8.5.3.1-cp38-none-linux_x86_64.whl
9. tensorrt-8.5.3.1-cp39-none-linux_x86_64.whl

根据 python3的版本，本机只需要安装 tensorrt-8.5.3.1-cp38-none-linux_x86_64.whl

版本对应：cp38  =》 3.8.10

$ sudo python3 -m pip install tensorrt-8.5.3.1-cp38-none-linux_x86_64.whl

6. 安装UFFwheel，为了 tensorflow中使用 TensorRT，

$ sudo python3 -m pip install uff-0.6.9-py2.py3-none-any.whl

类似这个样子：

7. 跑sample进行验证安装成功

因为要执行make，需要依赖 TensorRT的include/ *.h 文件; 官方采用的是相对路径；

这里有两个选择，

    1.  要么在用户文件夹中重新解压一次TensorRTxxx.tar.gz, 例如， /home/hanmeimei/ex_tensorRT/，然后跑到sample文件夹里 make

    2.  要么拷贝出来sample文件夹，修改里面的Makefile.conf文件的变量，找到inlude文件夹，然后 make ；

执行效果：

TensorRT_sdk/TensorRT-8.5.3.1/bin$ ./sample_onnx_mnist

为了节省时间，这里直接在/usr/local/cuda-11.8/TensorRT_sdk/中 sudo make 并执行；

效果如图：

TensorRT 官方安装参考：

https://docs.nvidia.com/deeplearning/tensorrt/install-guide/index.html#installing-tar

 而且 TensorRT是Nvidia的一个开源加速库，repo在：

https://github.com/NVIDIA/TensorRT

——————————————————————————————————

七，重新测试tensorflow

保存并运行：line.py

1. import tensorflow as tf
2. import numpy as np
3. import matplotlib.pyplot as plt
5. trainx=np.linspace(-1,1,100)
6. trainy=2*trainx+np.random.randn(*trainx.shape)*0.3
7. #y=2x with noise
8. plt.plot(trainx,trainy,'ro',label='original data')
9. plt.legend()
10. plt.show()
13. X=tf.placeholder("float")
14. Y=tf.placeholder("float")
15. w=tf.Variable(tf.random_normal([1]),name="weight")
16. b=tf.Variable(tf.zeros([1]),name="bias")
17. z=tf.multiply(X,w)+b
19. cost=tf.reduce_mean(tf.square(Y-z))
20. learning_rate=0.01
21. optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)
23. trainepoch=20
24. displaystep=2
26. plotdata = { "batchsize": [] , "loss": [] }
27. def moving_average(a, w=10):
28. if len(a) < w:
29. return a[:]
30. return [val if idx < w else sum(a[(idx-w):idx])/w for idx, val in enumerate(a)]
32. saver=tf.train.Saver()
33. with tf.Session() as sess:
34. init=tf.global_variables_initializer()
35. sess.run(init)
37. for epoch in range(trainepoch):
38. for (x,y) in zip(trainx,trainy):
39. sess.run(optimizer,feed_dict={X:x,Y:y})
41. if epoch%displaystep==0:
42. loss=sess.run(cost,feed_dict={X:trainx,Y:trainy})
43. print("epoch:",epoch+1,"cost=",loss,"w=",sess.run(w),"b=",sess.run(b))
44. if not(loss=="NA"):
45. plotdata["batchsize"].append(epoch)
46. plotdata["loss"].append(loss)
48. print("Finished!")
49. print("cost=",sess.run(cost,feed_dict={X:trainx,Y:trainy}),"w=",sess.run(w),"b=",sess.run(b))
50. saver.save(sess,"D:/CUDA/tensorflow_exam/study/3tensorflow-practice/the3rdmodel")

如果系统却类似matplotlib的话，使用pip3 安装：

$ sudo pip3 install matplotlib

运行：

$ python3 ./line.py