Quelltext der Seite KI Workaround installieren

=Installationsanleitung für Ubuntu 18.04=
angepasste Schritte aus: https://elephantscale.com/tutorials/tensorflow2-gpu-nvidia-ubuntu-18-04-anaconda-jupyter-setup-guide/

Setup Hardware:
* Grafikkarte: GeForce RTX 2080 Ti/PCIe/SSE2
* Prozessor: Intel® Xeon(R) Gold 6134 CPU @ 3.20GHz × 16

Software:
* Ubuntu 18.04.5 LTS
* Nvidia drivers + CUDA
* Anaconda Python
* Tensorflow v2 (2.1.0) GPU version

==CUDA & NVIDIA-Treiber installieren==
see also: https://www.tensorflow.org/install/gpu
----
===NVIDIA package repositories hinzufügen===
<code>
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.1.243-1_amd64.deb
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo dpkg -i cuda-repo-ubuntu1804_10.1.243-1_amd64.deb
sudo apt-get update
wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt-get update
</code>

----
===NVIDIA Treiber installieren===
<code>
sudo apt-get install --no-install-recommends nvidia-driver-450
</code>


besser grafisch: https://www.linuxbabe.com/ubuntu/install-nvidia-driver-ubuntu-18-04

----

Type in Terminal:
<code>Reboot</code>

----

danach nachsehen ob die GPU's sichtbar sind mit:
<code>nvidia-smi</code>

----
===Installieren der development and runtime libraries===
<code>
sudo apt-get install --no-install-recommends cuda-10-1 libcudnn7=7.6.5.32-1+cuda10.1 libcudnn7-dev=7.6.5.32-1+cuda10.1
</code>

siehe auch: https://github.com/tensorflow/docs/pull/1599

----
===Installieren von TensorRT===

<code>
sudo apt-get install -y --no-install-recommends libnvinfer6=6.0.1-1+cuda10.1 libnvinfer-dev=6.0.1-1+cuda10.1 libnvinfer-plugin6=6.0.1-1+cuda10.1
</code>

==CUDA einfrieren (Wichtig!)==

<code>
sudo apt-mark hold cuda-10.1
sudo apt-mark hold cuda
sudo apt-mark showhold
</code>

----

...exportieren in die bashrc:
<code>export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64</code>

----

Type in Terminal:
<code>Reboot</code>

----
==NVidia Stack verifizieren==
'''Type in Terminal:'''
<code>nvidia-smi</code>
 Fri Aug 28 14:09:30 2020       
 +-----------------------------------------------------------------------------+
 | NVIDIA-SMI 440.100      Driver Version: 440.100      CUDA Version: 10.2     |
 |-------------------------------+----------------------+----------------------+
 | GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
 | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
 |===============================+======================+======================|
 |   0  GeForce RTX 208...  Off  | 00000000:02:00.0  On |                  N/A |
 |  0%   49C    P8    18W / 250W |    531MiB / 11016MiB |      1%      Default |
 +-------------------------------+----------------------+----------------------+
                                                                               
 +-----------------------------------------------------------------------------+
 | Processes:                                                       GPU Memory |
 |  GPU       PID   Type   Process name                             Usage      |
 |=============================================================================|
 |    0      1858      G   /usr/lib/xorg/Xorg                            24MiB |
 |    0      2318      G   /usr/bin/gnome-shell                          57MiB |
 |    0      2514      G   /usr/lib/xorg/Xorg                           216MiB |
 |    0      2664      G   /usr/bin/gnome-shell                         100MiB |
 |    0      2869      G   /usr/bin/nextcloud                             6MiB |
 |    0      2888      G   ...gnome-initial-setup/gnome-initial-setup     6MiB |
 |    0      3498      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files    89MiB |
 |    0      4159      G   ...AAAAAAAAAAAACAAAAAAAAAA= --shared-files    24MiB |
 +-----------------------------------------------------------------------------+


'''Type in Terminal:'''
<code>nvcc --version</code>
 nvcc: NVIDIA (R) Cuda compiler driver
 Copyright (c) 2005-2017 NVIDIA Corporation
 Built on Fri_Nov__3_21:07:56_CDT_2017
 Cuda compilation tools, release 9.1, V9.1.85


'''Type in Terminal:'''
<code>cat /proc/driver/nvidia/version</code>
 NVRM version: NVIDIA UNIX x86_64 Kernel Module  440.100  Fri May 29 08:45:51 UTC 2020
 GCC version:  gcc version 7.5.0 (Ubuntu 7.5.0-3ubuntu1~18.04) 


'''Type in Terminal:'''
<code>/usr/local/cuda/extras/demo_suite/deviceQuery</code>
 /usr/local/cuda/extras/demo_suite/deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)
 
 Detected 1 CUDA Capable device(s)
 
 Device 0: "GeForce RTX 2080 Ti"
  CUDA Driver Version / Runtime Version          10.2 / 10.1
  CUDA Capability Major/Minor version number:    7.5
  Total amount of global memory:                 11016 MBytes (11551440896 bytes)
  (68) Multiprocessors, ( 64) CUDA Cores/MP:     4352 CUDA Cores
  GPU Max Clock rate:                            1545 MHz (1.54 GHz)
  Memory Clock rate:                             7000 Mhz
  Memory Bus Width:                              352-bit
  L2 Cache Size:                                 5767168 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  1024
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 3 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 2 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >
 
 deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.2, CUDA Runtime Version = 10.1, NumDevs = 1, Device0 = GeForce RTX 2080 Ti
 Result = PASS

----
==Anaconda==
Anaconda ist eine Freemium-Open-Source-Distribution für die Programmiersprachen Python und R, die unter anderem die Entwicklungsumgebung Spyder, den Kommandozeileninterpreter IPython, und ein webbasiertes Frontend für Jupyter enthält. Der Fokus liegt vor allem auf der Verarbeitung von großen Datenmengen, Vorhersageanalyse und wissenschaftlichem Rechnen. Das Ziel der Distribution ist die Vereinfachung von Paketmanagement und Softwareverteilung. Paketversionen werden von der Paketverwaltung conda verwaltet.
===installieren===
nach dieser Anleitung:

https://elephantscale.com/tutorials/tensorflow2-gpu-nvidia-ubuntu-18-04-anaconda-jupyter-setup-guide/

----
===Environement erstellen===

open conda and type:

 conda create --name tf_gpu

 activate tf_gpu

 conda install tensorflow-gpu

Diese Kommandos kreieren ein Environment mit dem Namen ‘tf_gpu’ und installiert alle Packeages die für ein lauffähigens GPU-Tensorflow_Environment notwendig sind (inklusive die jeweiligen kompatiblen Versionen von cuda and cuDNN.


----
===erste (notwendige) Pakete installieren===

sicherstellen dass man im richtigen Environment sich bfindet:
 conda activate tf-gpu

Installieren der basic ML toolkits
 conda install -y numpy pandas matplotlib seaborn scikit-learn scipy jupyterlab

Installieren des Tensorflow-GPU Packets:
 conda install -y tensorflow-gpu


----
===erster Testdurchlauf===
...kurzer Test ob GPU läuft:

start python
 python

dach in Prompt tippen:
 >>> import tensorflow as tf
 
 >>> tf.__version__
 '2.2.0'
 
 >>> tf.config.experimental.list_physical_devices('GPU')
 [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

===zweiter Testdurchlauf===

vollständiger Test

In diesem Test werden wir ein neuronales Netzwerk trainieren.
Wir werden ein einfaches LeNet Convolutional Network ausführen, um handgeschriebene MNIST-Ziffern zu identifizieren.
Hier ist das Python-Skript.

Python-Code downloaden:
 wget https://raw.githubusercontent.com/elephantscale/es-public/master/tf-gpu/cnn-mnist- 1 -train-gpu-minimal.py


Code ausführen:
 python cnn-mnist- 1 -train-gpu-minimal.py


während der Trainingsphase sollte folgendes erscheinen:
 15:22, 28. Aug. 2020 (CEST) training starting ...
 Train on 48000 samples, validate on 12000 samples
 Epoch 1/10
 48000/48000 [==============================] - 7s 152us/sample - loss: 0.1667 - accuracy: 0.9490 - val_loss: 0.0715 - val_accuracy: 0.9789
 Epoch 2/10
 48000/48000 [==============================] - 4s 91us/sample - loss: 0.0482 - accuracy: 0.9843 - val_loss: 0.0514 - val_accuracy: 0.9842
 ...
 Epoch 10/10
 48000/48000 [==============================] - 4s 76us/sample - loss: 0.0079 - accuracy: 0.9975 - val_loss: 0.0380 - val_accuracy: 0.9910
 15:22, 28. Aug. 2020 (CEST) trained on 60,000 images in 42,436.38 ms

die einzelnen Trainingsphasen sollten nicht länger als jeweils 4 Sekunden dauern.

Alternativ kann hierzu in einem neuen Terminalfenser <code>nvidia-smi</code> ausgeführt werden um zu sehen wie hoch die GPU belastet ist


----
===Testdurchlauf im jupyter notebook===
weiter bei step 8: https://elephantscale.com/tutorials/tensorflow2-gpu-nvidia-ubuntu-18-04-anaconda-jupyter-setup-guide/

----
----
----
----

vvvvvvvvvvvvvvvvv HIER UPDATEN!!!!!!!!!!!!!!!!!!!!!!!vvvvvvvvvvvvvvvvvv

=Anaconda=
Anaconda ist eine Freemium-Open-Source-Distribution für die Programmiersprachen Python und R, die unter anderem die Entwicklungsumgebung Spyder, den Kommandozeileninterpreter IPython, und ein webbasiertes Frontend für Jupyter enthält. Der Fokus liegt vor allem auf der Verarbeitung von großen Datenmengen, Vorhersageanalyse und wissenschaftlichem Rechnen. Das Ziel der Distribution ist die Vereinfachung von Paketmanagement und Softwareverteilung. Paketversionen werden von der Paketverwaltung conda verwaltet.

=Jupyter Notebooks=
Was ist Jupyter Notebook?

Jupyter Notebook ist eine Client-Server-Anwendung der Non-Profit-Organisation Project Jupyter, die 2015 veröffentlicht wurde. Sie ermöglicht die Kreation und das Teilen von Webdokumenten im JSON-Format, die einem versionierten Schema und einer geordneten Liste von Input-/Output-Zellen folgen. Diese Zellen bieten u. a. Platz für Code, Markdown-Text, mathematische Formeln und Gleichungen oder Medieninhalte (Rich Media). Die Bearbeitung funktioniert dabei über die webbasierte Client-Anwendung, die sich mit handelsüblichen Browsern starten lässt. Voraussetzung ist, dass auf dem System auch der Jupyter-Notebook-Server installiert ist und ausgeführt wird. Die erstellten Jupyter-Dokumente lassen sich u. a. als HTML-, PDF-, Markdown- oder Python-Dokumente exportieren oder alternativ per E-Mail, Dropbox, GitHub oder den hauseigenen Jupyter Notebook Viewer mit anderen Nutzern teilen.

* kleines jupyter cheatcheet http://python.hs-augsburg.de:8888/notebooks/DuR/Hinweise%20und%20Anmerkungen%20zu%20Jupyter%20Notebooks.ipynb hab da aber ja auch noch andere...

==Download & install latest Anaconda Version==
* go to page and find your version: https://www.anaconda.com/distribution/
* or download directly:
** for Mac:
*** https://repo.anaconda.com/archive/Anaconda3-2019.07-MacOSX-x86_64.pkg (650MB)
** for Windows:
*** https://repo.anaconda.com/archive/Anaconda3-2019.07-Windows-x86_64.exe (486Mb)
** for Linux:
*** https://repo.anaconda.com/archive/Anaconda3-2019.07-Linux-x86_64.sh (517Mb)

<u>'''Installationsanleitung'''</u>
* https://docs.anaconda.com/anaconda/install/
----
on Ubuntu:<br>
after installing type:
 source ~/.bashrc
that you can execute conda etc from out of terminal directly
----

==Create Environement==
===GPU Support===
open conda and type:
 conda create --name tf_gpu tensorflow-gpu 

or in 3 steps:
 conda create --name tf_gpu

 activate tf_gpu

 conda install tensorflow-gpu

Diese Kommandos kreieren ein Environment mit dem Namen ‘tf_gpu’ und installiert alle Packeages die für ein lauffähigens GPU-Tensorflow_Environment notwendig sind (inklusive die jeweiligen kompatiblen Versionen von cuda and cuDNN.

===CPU only===
open conda and type:
 conda create --name tf_cpu tensorflow

or in 3 steps:
 conda create --name tf_cpu

 activate tf_cpu

 conda install tensorflow

----
==de-activate Environement==
nachsehen welche Environements eingerichtet sind:
 conda info --envs

Environement aktivieren (z.b. tf_cpu):
 conda activate tf_cpu

Environement deaktivierten
 conda deactivate

----
==deactivate conda-environement in startup-flag==

type in terminal:
 conda config --set auto_activate_base false

----

==open jupyter notebook==

eine gut übersichtliche Anleitung siehe auch hier: https://coessing.files.wordpress.com/2019/08/jupyternotebook_tutorial_bypaige.pdf
----
type Jupyter-button on your Desktop or

or type in Terminal:
 jupyter-notebook
<br>
[[Datei:Content_jupyternotebook1.gif]]
----
'''how to use...?'''

[[Datei:Content_jupyternotebook3b.gif]]
----
[[Datei:Content_jupyternotebook7.gif]]
----

==test if GPU is available==
type:
 import tensorflow as tf
 tf.test.is_gpu_available()
 tf.test.gpu_device_name()


in your environement 'tf_gpu' open jupyter-notebook and run following python code (siehe oben): 
 from tensorflow.python.client import device_lib

 print(device_lib.list_local_devices())

see also:
* https://www.tensorflow.org/guide/using_gpu

==test if it works==
https://stackoverflow.com/questions/38009682/how-to-tell-if-tensorflow-is-using-gpu-acceleration-from-inside-python-shell

type:
 import tensorflow as tf
 with tf.device('/gpu:0'):
    a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
    b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
    c = tf.matmul(a, b)
 
 with tf.Session() as sess:
    print (sess.run(c))

wenn der prozess auf der GPU ausgeführt wurde kommt folgender output:

 [[22. 28.]
 [49. 64.]]

falls er über cpu läuft kommt eine meldung wie folgt o.ä.:

 Cannot assign a device to node 'MatMul': Could not satisfy explicit device specification '/device:GPU:0' because no devices matching that 
 specification are registered in this process





----

==Module nachinstallieren==
open conda and type (um beispielsweise das Natural Language Toolkit NLTK zu installieren):
 conda install nltk
oder
 conda install -c anaconda nltk


<!--
=Install Jupyter & Tensorflow on Ubuntu=

Python installieren:

 sudo apt-get install python-pip python-dev

Wissenschaftliche Pakete installieren:

 sudo apt-get install build-essential cmake git unzip pkg-config libopenblas-dev liblapack-dev

 sudo apt-get install python-numpy python-scipy python-matplotlib

 sudo apt-get install libhdf5-serial-dev python-h5py

 sudo apt-get install graphviz

 sudo apt-get install python-opencv

GPU-Unterstützung einrichten:

CUDA-Downloaden 
 wget https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda-repo-ubuntu1604-10-0-local-10.0.130-410.48_1.0-1_amd64
oder
 wget https://developer.nvidia.com/compute/cuda/10.0/Prod/local_installers/cuda-repo-ubuntu1604-10-0-local-10.0.130-410.48_1.0-1_amd64.deb

Tensorflow installieren

ohne GPU
 pip install tensorflow

mit GPU
 pip install tensorflow-gpu

Keras installieren

 pip install keras

alternativer keras install

 git clone https://github.com/fchollet/keras
 cd keras
 sudo python setup.py install

=Install Jupyter & Tensorflow on Windows=

Download & Install anaconda
 https://www.anaconda.com/download/#windows

Update Anaconda. 

Open Anaconda Prompt and type
 conda update conda
 conda update --all

python environment, with python 3.5, named as "tensorflow" 
 conda create --name tensorflow python=3.5

environement aktivieren
 activate tensorflow

Bibliotheken installieren:
 conda install jupyter
 conda install scipy
 conda install pandas
 conda install seaborn
 conda install scikit-learn
 conda install spyder
 conda install matplotlib

evtl. PIP installieren
 conda install pip

TensorFlow installieren
 pip install tensorflow

Keras installieren
 conda install -c conda-forge keras

danach type:
 ipython

ipython prompt öffnet sich... > in diesem prompt type:
 import tensorflow as tf
 import keras

im anaconda prompt type um ein jupyter notebook zu starten in dem sich tensorflow code ausführen lässt:
 activate tensorflow
 jupyter notebook

=Install Jupyter & Tensorflow on Mac=

Download & Install anaconda
 https://www.anaconda.com/download/

Update Anaconda. 

Open Terminal and type
 conda update conda
 conda update --all

PIP installieren
 conda install pip

PIP upgraden
 pip install --upgrade pip

Tensorflow installieren
 pip install --upgrade tensorflow # for python 2.7
 pip install --upgrade tensorflow # for python 3.*

Keras installieren#
 pip install Keras

im Terminal type, um ein jupyter notebook zu starten in dem sich tensorflow code ausführen lässt:

 jupyter notebook
-->
[[Category:HowTo]]
[[Category:KI]]
[[Category: deep learning]]
[[Category:Command Line]]
[[Category:Jupyter Notebook]]
[[Category:Tensorflow]]
[[Category:Keras]]
[[Category:GPU]]