Installieren von Cuda ohne root

Update Die installation-Benutzeroberfläche für 10.1 geändert. Die folgenden Werke:

• Deaktivieren-Treiber-installation (drücken ENTERdrauf)
• Ändern options -> root install path zu einer nicht-sudo-Verzeichnis.
• Drücken A auf der markierten Linie mit einem + um die erweiterten Optionen aufzurufen. Deaktivieren Sie create symbolic link, und ändern Sie die toolkit install path.
• Jetzt sollte die installation funktionieren ohne root-Berechtigungen

Vielen Dank für die Hinweise, die Sie in der Frage! Ich will einfach nur, um es zu vollenden, mit einem Ansatz, der arbeitete für mich, auch inspiriert diese gist und hoffentlich hilft in Situationen, in denen eine gültige Treiber ist installiert, und die Installation eines neueren CUDA auf Linux ohne root-Rechte ist immer noch notwendig,.

TL;DR: Hier sind die Schritte zum installieren CUDA9+CUDNN7 auf Debian und die Installation einer vorkompilierten version von TensorFlow1.4 auf Python2.7 um zu testen, ob alles funktioniert. Alles, was ohne root-Rechte und via terminal. Sollte auch für andere CUDA, CUDNN, TensorFlow und Python-Versionen auf anderen Linux-Systemen auch.

INSTALLATION

1. Gehen, um NVIDIA den offiziellen web-release für CUDA (für Nov. 2017, CUDA9 ist aus): https://developer.nvidia.com/cuda-downloads.

2. Unter Ihrer Linux-Distribution, wählen Sie die runfile (local)option. Beachten Sie, dass die sudo Angabe vorhanden in den Installationsanweisungen zu täuschen, da es möglich ist, führen Sie diesen installer ohne root-Berechtigungen. Auf einem server, eine einfache Möglichkeit ist das kopieren der <LINK> des Download - Taste und an jedem Ort von Ihrem home-Verzeichnis, führen Sie wget <LINK>. Es wird download der <INSTALLER> Datei.

3. Laufen chmod +x <INSTALLER> machen Sie es ausführbar und führen es ./<INSTALLER>.

4. accept die EULA say no to driver-installation, und geben Sie einen <CUDA> Lage unter Ihrem home-Verzeichnis zu installieren das toolkit und ein <CUDASAMPLES> für die Proben.

5. Nicht gefragt, hier wird aber empfohlen: Laden Sie eine kompatible CUDNN-Datei aus dem die offizielle Webseite (müssen Sie sich). In meinem Fall, ich habe die cudnn-9.0-linux-x64-v7.tgz, kompatibel mit CUDA9 in die <CUDNN> Ordner. Dekomprimieren Sie Sie: tar -xzvf ....

6. Optional: die Beispiele kompilieren. cd <CUDASAMPLES> && make. Es gibt einige sehr schöne Beispiele gibt und ein sehr guter Ausgangspunkt, um zu schreiben,CUDA-Skripte von dir.

7. (Wenn du das getan hast 5.): Kopieren Sie die CUDNN benötigten Dateien in CUDA zu, und erteilen Sie lese-Berechtigung dem Benutzer (nicht sicher, ob benötigt):

cp -P <CUDNN>/cuda/include/cudnn.h <CUDA>/include/
cp -P cudnn9/cuda/lib64/libcudnn* cuda9/lib64
chmod a+r cuda9/include/cudnn.h cuda9/lib64/libcudnn*

1. Fügen Sie die Bibliothek auf Ihre Umgebung. Dies erfolgt in der Regel hinzufügen die folgenden zwei Zeilen zu Ihrer ~/.bashrc Datei (in diesem Beispiel, die <CUDA> Verzeichnis war ~/cuda9/:

export PATH=$HOME/cuda9/bin:$PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$HOME/cuda9/lib64/

FÜR SCHNELLE TESTS ODER TENSORFLOW BENUTZER

Der Schnellste Weg zu einer TensorFlow kompatibel mit CUDA9 und CUDNN7 (und eine sehr schnelle Möglichkeit, dies zu testen), ist der download einer vorkompilierten wheel Datei und installieren Sie es mit pip install <WHEEL>. Die meisten Versionen, die Sie brauchen, finden Sie in mind ' s repo (vielen Dank Jungs). Einen minimalen test, der bestätigt, dass CUDNN ist auch die Arbeit umfasst die Verwendung von tf.nn.conv2d:

import tensorflow as tf
x = tf.nn.conv2d(tf.ones([1,1,10,1]), tf.ones([1,5,1,1]), strides=[1, 1, 1, 1], padding='SAME')
with tf.Session() as sess:
    sess.run(x) # this should output a tensor of shape (1,1,10,1) with [3,4,5,5,5,5,5,5,4,3]

In meinem Fall, das Rad habe ich installiert erforderlich Intel MKL Bibliothek, wie bereits erläutert,hier. Wieder vom terminal ohne root-Benutzer, das sind die Schritte, die ich gefolgt, um die Bibliothek zu installieren und machen TensorFlow finden (Referenz):

1. git clone https://github.com/01org/mkl-dnn.git
2. cd mkl-dnn/scripts && ./prepare_mkl.sh && cd ..
3. mkdir -p build && cd build
4. cmake -D CMAKE_INSTALL_PREFIX:PATH=<TARGET_DIR_IN_HOME> ..
5. make # dies dauert eine Weile
   1. make doc # dies Optional, wenn Sie doxygen
6. make test # auch eine Weile dauert,
7. make install # installs into <TARGET_DIR_IN_HOME>
8. fügen Sie den folgenden, um Ihre ~/.bashrc: export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:<TARGET_DIR_IN_HOME>/lib

Hoffe, das hilft!

Andres