Para establecer un flujo de trabajo de aprendizaje profundo en Ubuntu 16.04, es necesario orquestar la instalación de los controladores gráficos, las bibliotecas de computación paralela y el gestor de entornos Python. El siguiente procedimiento detalla la integración técnica de cada componente.

Actualización del sistema y validación de drivers

Sincronice los paquetes del sistema ejecutando sudo apt update && sudo apt upgrade -y. Posteriormente, verifique la presencia del controlador propietario mediante nvidia-smi. Una salida tabular que muestre la versión del driver y el estado de las unidades gráficas confirma que el hardware está listo. Si la terminal devuelve un error de comando no reconocido, instale los drivers correspondientes a su tarjeta gráfica antes de avanzar.

Despliegue de CUDA Toolkit

Descargue el paquete de instalación en formato .run desde el archivo oficial de NVIDIA. Ejecute el script con privilegios elevados, asegurándose de responder no cuando se solicite instalar el controlador gráfico integrado, dado que ya se encuentra configurado:

sudo sh cuda_9.0.176_384.81_linux.run

Una vez finalizada la extracción, configure las variables de entorno para que el sistema localice los binarios y las librerías compartidas. Abra ~/.bashrc y anexe las siguientes líneas, encapsulando la ruta base para mayor mentenibilidad:

export CUDA_ROOT=/usr/local/cuda-9.0
export PATH="${PATH}:${CUDA_ROOT}/bin"
export LD_LIBRARY_PATH="${LD_LIBRARY_PATH}:${CUDA_ROOT}/lib64"
export CUDA_HOME="${CUDA_ROOT}"

Active las modificaciones con source ~/.bashrc y confirme la integración ejecutando nvcc --version. La consola debe devolver el número de compilador y la fecha de lanzamiento.

Integración de cuDNN

Obtenga la versión de la biblioteca de aceleración para redes neuronales que sea compatible con su instalación de CUDA. Si descarga el paquete .deb, aplique la instalación directa:

sudo dpkg -i libcudnn7_7.2.1.38-1+cuda9.0_amd64.deb

En caso de utilizar el archivo comprimido, extraiga los contneidos y redistribuya los encabezados y binarios hacia el directorio raíz de CUDA, preservando los enlaces simbólicos:

sudo cp -P cuda/include/cudnn.h ${CUDA_ROOT}/include/
sudo cp -P cuda/lib64/libcudnn* ${CUDA_ROOT}/lib64/
sudo chmod +r ${CUDA_ROOT}/include/cudnn.h ${CUDA_ROOT}/lib64/libcudnn*

Provisionamiento de Anaconda y entornos virtuales

Descargue el instalador oficial de Anaconda3 y ejecute el script en la terminal: bash Anaconda3-5.0.0.1-Linux-x86_64.sh. Acepte los términos de licencia y confirme la ruta de instalación predeterminada. Tras reiniciar la sesión, aísle las dependencias del proyecto mediante un entorno dedicado:

conda create --name dl-gpu-py36 python=3.6
conda activate dl-gpu-py36

Con el entorno activo, instale el framework de aprendizaje automático con soporte para aceleración por hardware y utilidades auxiliares para procesamiento geométrico:

pip install tensorflow-gpu==1.4.0
pip install open3d-python

Para finalizar el aislamiento y auditar los contextos disponibles, ejecute conda deactivate seguido de conda env list, lo cual devolverá el registro de espacios de trabajo creados y su ubicación en disco.