DeepFaceLab史上最快的环境搭建（虚拟环境）_deepfacelab ubuntu

---

为了在阿里云上测试速度，搭建虚拟环境无疑是最快的方式，不要问我为什么，如果你在同一个地方摔倒了无数次，你就知道啦，可能真的不是再尝试就距离成功更进一步啦，还有可能你越陷越深，无法自拔，请不要以身填坑，哥，我劝你从良！请绕道吧！！！

---

一、测试环境

• Ubuntu16.04
• 显卡驱动：384.125
• GPU Tesla V100 （四块GPU）

二、搭建虚拟环境

1、创建虚拟环境

创建名字为swap的虚拟环境，python版本3.5
conda create -n swap python=3.5

2、激活虚拟环境

激活swap虚拟环境：
source activate swap

3、离开虚拟环境

离开swap虚拟环境：
source deactivate （下面的环境没有装好之前，不要离开虚拟环境）

三、配置GPU环境

1. 添加国内的镜像源：

   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
   conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

2. 安装cudnn=7.1.2

conda install cudnn=7.1.2     
1

在安装cudnn7.1.2的时候，会自动匹配到下面的cuda=9.0版本然后一起安装，选择yes即可。

3. 安装cuda=9.0

conda install cudatoolkit=9.0 #
1

上面选择yes之后，这一步可以省略的，因为上面已经安装过啦

四、安装配置python库包

1、安装Anaconda（用清华镜像安装）

---

不要问我为什么用清华镜像安装，NB不就完啦吗

---

1. 下载Anaconda的安装包：

wget https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/Anaconda3-5.0.0-Linux-x86_64.sh
1

2. 安装Anaconda：

bash  Anaconda3-5.0.0-Linux-x86_64.sh
1

2、安装python训练环境的库包

pip  install  cmake        # 先安装cmake，因为下面需要安装dlib的包，需要进行编译
1

pip install pathlib==1.0.1  scandir==1.6  h5py==2.7.1  keras==2.2.4  opencv-python==3.4.0.12  tensorflow-gpu==1.9.0 scikit-image  dlib==19.10.0 numpy==1.16.0  pillow==3.4.1 tpdm==4.29.1 
1

---

注意：如果你本地下载上面的安装包速度很慢，请ctrl + c中断 ，然后在install后面加上清华镜像地址，带你起飞！！！
Eg:

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple package_name

---

4、安装face_recoginition包 （这个包也要用cmake进行编译）

1. 下载face_recognition：

下载地址：https://github.com/ageitgey/face_recognition
下载之后解压 或你用git clone下载也是可以的

2. 安装：

cd face_recognition-master
python setup.py install
或
pip insatll face_recognition
或
sudo pip install git+https://github.com/ageitgey/face_recognition.git #不推荐使用该方法安装，你可能会遇到一些小的问题，小白就回避吧

5、安装keras_contrib包：

1. 下载keras_contrib：

下载地址：https://github.com/keras-team/keras-contrib
下载之后解压 或你用git clone下载也是可以的

2. 安装：

cd keras-contrib-master
python setup.py install

注：也可以通过这样安装（不推荐，你可能会遇到一些小问题）：
sudo pip install git+https://www.github.com/keras-team/keras-contrib.git
该包不可以通过 pip install keras_contrib （在pypi官网上可能没有上传该安装包）

五、可能出现的错误和问题

1. 如果训练的时候报错：ModuleNotFoundError: No module named ‘numpy.core._multiarray_umath’

这可能是由于numpy外面的环境和虚拟环境中的numpy的版本冲突导致的，可以把外面的numpy卸载删除

解决方式：

     >>python
     >>import numpy as np
     >>np.__path__             # 会返回numpy的安装路径
     rm -rf  numpy_path（numpy路径）   # 删除即可
1
2
3
4

pip uninstall numpy # 卸载外部环境的numpy #升级成最新版本应该也是可以的 （参照：https://github.com/tensorflow/tensorflow/issues/559 ）（之前版本是numpy=1.14.5 ，升级之后是numpy=1.16.0）

2. 在用face_recognition做人脸对比过滤的时候出现 AttributeError:‘PngStream’ object has no attribute ‘chunk fcWp’ 问题

是由于pillow版本导致的问题，请降低pillow的版本，我将版本从 5.4.1 降低到4.2.1 问题解决

3. 如果要移除创建的虚拟环境：

conda remove --force --name swap --all
(当然你也可以手动去删除虚拟环境：pip -V 查看虚拟环境的位置，然后手动删除虚拟环境的空间)

4. 不要着急离开虚拟环境

以上环境没有配置好，请务必不要离开虚拟环境，那是你的容器，你要在这个容器里面搭建一个属于你自己的‘大楼’，离开了就是给别人添砖加瓦，徒劳无功，还有可能把别人的‘大楼’搞的一塌糊涂，到那时就等你的小伙伴通缉你吧！！！

六、其他尝试可行的版本

1、 推荐使用这个版本

• tensorflow-gpu ==1.9.0 版本 提取人脸的时候只在mt模式下可以调用GPU资源，在dlib模式下不会调用GPU资源
• cudnn=7.1.2
• cuda=9.0

2、 推荐使用这个版本

• tensorflow-gpu ==1.9.0 版本 提取人脸的时候在dlib和mt模式下都可以调用GPU资源 (ms_server name: test_cudnn)
• cudnn=7.3.1
• cuda=9.0

3、也可以使用这个版本

• tensorflow-gpu ==1.10.0 版本 提取人脸的时候只在mt模式下可以调用GPU资源，在dlib模式下不会调用GPU资源
• cudnn=7.1.2
• cuda=9.0

4、不要配置这个版本啦

• tensorflow-gpu ==1.8.0 版本 只能训练，在dlib和mt 模式下都是不会调用GPU
• cudnn=7.0.5
• cuda=8.0

5、 我们本地的服务器：

• tensorflow-gpu ==1.10.0 版本 dlib和mt模式下都可以正常提取人脸
• cudnn=7.0.5
• cuda=9.0 # 但是我在阿里云上不可以配置cudnn7.0.5和cuda9.0相匹配的版本，也忘了之前在本地是怎么配置好的

---

---

♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠ ⊕ ♠