Question

我正在尝试在包含在我的Ubuntu 18.04 Bionic Beaver服务器上运行的docker内的jupyter笔记本上使用Tensorflow-gpu。

我已完成以下步骤：
1）已安装的Nvidia驱动程序390.67 sudo apt-get install nvidia-driver-390
2）已安装CUDA驱动程序9.0 cuda_9.0.176_384.81_linux.run
3）已安装CuDNN 7.0.5 cudnn-9.0-linux-x64-v7.tgz
4）已安装Docker sudo apt install docker-ce
5）已安装nvidia-docker2 sudo apt install nvidia-docker2

我尝试执行以下操作 nvidia-docker run -it -p 8888:8888 tensorflow/tensorflow:1.5.1-gpu-py3

我使用Tensorflow 1.5.1的原因是因为我在1.8.0-gpu-py和我read that you need to use Tensorflow 1.5 for older CPUs.上遇到了相同的内核死错误，我认为这并不是真正的问题，因为我我试图简单地导入它，而我正在使用tensorflow-gpu

当我运行任何第一次导入张量流的单元格时，我会得到

我的服务器硬件如下

CPU: AMD Phenom(tm) II X4 965 Processor
GPU: GeForce GTX 760
Motherboard: ASRock 960GM/U3S3 FX
Memory: G Skill F3-1600C9D-8GAB (8 GB Memory)

当我仅使用import tensorflow as tf导入tensorflow时，如何确定内核快死的原因。

这是nvidia-docker smi的结果

$ docker run --runtime=nvidia --rm nvidia/cuda nvidia-smi
Fri Jun 22 17:53:20 2018       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 390.67                 Driver Version: 390.67                    |
|-------------------------------+----------------------+----------------------+
| 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 GTX 760     Off  | 00000000:01:00.0 N/A |                  N/A |
|  0%   34C    P0    N/A /  N/A |      0MiB /  1999MiB |     N/A      Default |
+-------------------------------+----------------------+----------------------+

+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|    0                    Not Supported                                       |
+-----------------------------------------------------------------------------+

如果我在docker外部使用nvidia-smi，则完全匹配。

这是nvcc --version结果：

$ nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2017 NVIDIA Corporation
Built on Fri_Sep__1_21:08:03_CDT_2017
Cuda compilation tools, release 9.0, V9.0.176

如果我尝试做nvidia-docker run -it -p 8888:8888 tensorflow/tensorflow:1.5.1-gpu-py3 bash来显示bash提示，然后当我做python时我通过import tensorflow as tf进入python会话，那么我得到Illegal instruction (core dumped)，所以不是也不能在非jupyter环境中工作。即使我先执行import numpy然后执行import tensorflow as tf

，此错误仍然会发生

Answer 1

事实证明我需要降级到tensorflow 1.5.0。 1.5.1是添加AVX的位置。显然，在模块加载时会使用AVX指令来设置库。

导入Tensorflow时Jupyter Notebook Kernel死亡

1 个答案: