記錄一下安裝win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5

之前已經(jīng)安裝過pycharm、Anaconda以及VS2013，因此，安裝記錄從此后開始

總體步驟大致如下：

1、確認(rèn)自己電腦顯卡型號(hào)是否支持CUDA（此處有坑）

此處有坑！不要管NVIDIA控制面板組件中顯示的是CUDA9.2.148。

你下載的CUDA不一定需要匹配，尤其是CUDA9.2，最好使用CUDA9.0，我就在此坑摔的比較慘。

2、下載CUDA以及cuDNN，注意版本對應(yīng)①查看版本匹配：

https://www.tensorflow.org/install/source_windows

②下載CUDA：

https://developer.nvidia.com/cuda-toolkit-archive

官網(wǎng)上下載的CUDA 9.0有好幾個(gè)版本，其中主要是cuda_9.0.176_win10.exe，其他的四個(gè)是補(bǔ)丁。

③下載cuDNN：

https://developer.nvidia.com/cudnn

https://developer.nvidia.com/rdp/cudnn-archive

下載cuDNN需要注冊一個(gè)NVIDIA的賬號(hào)。

3、安裝CUDA和cuDNN，并設(shè)置環(huán)境變量（重要）①CUDA安裝

我是按照默認(rèn)路徑安裝的，沒有修改。此外，使用自定義安裝，但是幾乎全選了，除了一個(gè)當(dāng)前版本已經(jīng)是最新版本的組件沒有勾選。

切記CUDA的安裝路徑，因?yàn)榘惭bcuDNN以及設(shè)置環(huán)境變量時(shí)需要。

②cuDNN9.0安裝

cuDNN是一個(gè)壓縮包，解壓后的內(nèi)容如下

：

全選并復(fù)制所有內(nèi)容，粘貼到CUDA的安裝路徑下，默認(rèn)路徑是:

③設(shè)置環(huán)境變量（重要）

這部分我主要參考的是：https://blog.csdn.net/qilixuening/article/details/77503631

計(jì)算機(jī)上點(diǎn)右鍵，打開屬性->高級(jí)系統(tǒng)設(shè)置->環(huán)境變量，可以看到系統(tǒng)中多了兩個(gè)環(huán)境變量，接下來，分別是：

CUDA_PATH和CUDA_PATH_V8_0。

還要在系統(tǒng)變量中新建以下幾個(gè)環(huán)境變量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0

CUDA_LIB_PATH = %CUDA_PATH%\lib\x64

CUDA_BIN_PATH = %CUDA_PATH%\bin

CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64

CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

如下圖所示：

然后在系統(tǒng)變量中找到 PATH，點(diǎn)擊編輯并添加：

%CUDA_LIB_PATH%

%CUDA_BIN_PATH%

%CUDA_SDK_LIB_PATH%

%CUDA_SDK_BIN_PATH%

再添加如下4條（默認(rèn)安裝路徑）：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；

如果你選用了自定義路徑，上述這些默認(rèn)路徑都應(yīng)該相應(yīng)替換為你的自定義路徑。

④查驗(yàn)是否安裝成功

重啟計(jì)算機(jī)（必須），然后在Anaconda prompt中輸入nvcc -V。（注意，V是大寫）返回以下信息則安裝成功。

4、創(chuàng)建tensorflow-gpu環(huán)境并激活

（此部分可參考的教程比較多，可自行搜索）

①conda create --name tensorflow-gpu python=3.5

在Anaconda Prompt 中輸入conda create --name tensorflow-gpu python=3.5，創(chuàng)建名為tensorflow-gpu的環(huán)境（名字可以自己改，不一定都叫tensorflow-gpu）。

②activate tensorflow-gpu

按照提示，接下來activate tensorflow-gpu，進(jìn)入到新創(chuàng)建的環(huán)境，退出時(shí)使用deactivate

③conda info --envs

最后，conda info --envs，查看創(chuàng)建的所有環(huán)境，確保tensorflow-gpu環(huán)境創(chuàng)建成功

5、安裝tensorflow-gpu

使用activate進(jìn)入到tensorflow-gpu環(huán)境，使用以下命令進(jìn)行安裝：

pip install --ignore-installed --upgrade tensorflow-gpu==1.12.0

如果安裝緩慢請參考其他教程換源。

6、查驗(yàn)tensorflow是否安裝成功

這部分主要參考：https://zhuanlan.zhihu.com/p/58607298

①activate到tensorflow-gpu環(huán)境中然后輸入python進(jìn)入到python中，輸入一下代碼：

import tensorflow as tf
hello = tf.constant('Hello , Tensorflow! ')
sess = tf.Session()
print(sess.run(hello))

預(yù)期輸出：

b'Hello , Tensorflow! '

中間會(huì)有一大堆關(guān)于 GPU的Log信息，例如：

2020-06-22 09:47:38.562662: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2020-06-22 09:47:39.111893: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1060 major: 6 minor: 1 memoryClockRate(GHz): 1.6705
pciBusID: 0000:01:00.0
totalMemory: 6.00GiB freeMemory: 4.97GiB
2020-06-22 09:47:39.134322: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2020-06-22 09:47:41.602201: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-22 09:47:41.612905: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2020-06-22 09:47:41.618302: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2020-06-22 09:47:41.631165: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 4722 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1)

如果只是平時(shí)做小規(guī)模的訓(xùn)練，可以在Python Code前設(shè)置log等級(jí)：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

如果想徹底解決，請參考：http://www.dbjr.com.cn/article/189242.htm

②查看TensorFlow和Keras版本：

import tensorflow as tf
from tensorflow.keras import layers
print(tf.VERSION)
print(tf.keras.__version__)

輸出：

1.12.0
2.1.6-tf

7、在pycharm中調(diào)用tensorflow，

并查驗(yàn)tensorflow是否能夠調(diào)用gpu做運(yùn)算

①在PyCharm中新建Project

②進(jìn)入中Existing interpreter右側(cè)瀏覽目錄

③在Interpreter右側(cè)瀏覽目錄中找到自己安裝Anaconda的路徑，在其中的envs文件夾中，有上文中自己創(chuàng)建的tensorflow-gpu環(huán)境，選中其中python.exe即可。

④在pycharm中查驗(yàn)tensorflow是否能夠調(diào)用gpu做運(yùn)算查驗(yàn)tensorflow是否能夠調(diào)用gpu做運(yùn)算：

創(chuàng)建一個(gè).py文件，用TensorFlow，來比較一下CPU和GPU的時(shí)間差異：

例子來源：https://zhuanlan.zhihu.com/p/58607298

import tensorflow as tf
import timeit
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
# See https://www.tensorflow.org/tutorials/using_gpu#allowing_gpu_memory_growth
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
 
with tf.device('/cpu:0'):
 random_image_cpu = tf.random_normal((100, 1000, 100, 3))
 net_cpu = tf.layers.conv2d(random_image_cpu, 32, 7)
 net_cpu = tf.reduce_sum(net_cpu)
 
with tf.device('/gpu:0'):
 random_image_gpu = tf.random_normal((100, 1000, 100, 3))
 net_gpu = tf.layers.conv2d(random_image_gpu, 32, 7)
 net_gpu = tf.reduce_sum(net_gpu)
 
sess = tf.Session(config=config)
 
# Test execution once to detect errors early.
try:
 sess.run(tf.global_variables_initializer())
except tf.errors.InvalidArgumentError:
 print(
 '如果出了這個(gè)Error表示GPU配置不成功！\n\n')
 raise
 
 
def cpu():
 sess.run(net_cpu)
 
 
def gpu():
 sess.run(net_gpu)
 
 
# Runs the op several times.
print('Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images '
 '(batch x height x width x channel). Sum of ten runs.')
print('CPU (s):')
cpu_time = timeit.timeit('cpu()', number=10, setup="from __main__ import cpu")
print(cpu_time)
print('GPU (s):')
gpu_time = timeit.timeit('gpu()', number=10, setup="from __main__ import gpu")
print(gpu_time)
print('GPU speedup over CPU: {}x'.format(int(cpu_time / gpu_time)))
 
sess.close()

輸出：

Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images (batch x height x width x channel). Sum of ten runs.
CPU (s):
25.24234085335886
GPU (s):
1.5711942943447745
GPU speedup over CPU: 16x

輸出表明：這個(gè)任務(wù)GPU和6個(gè)i7的CPU相比快了16倍！

安裝踩坑總結(jié)：

其中最大的坑就是CUDA、cuDNN、tensorflow-gpu以及python版本之間的匹配了。有時(shí)候明明按照官方的版本匹配列表安裝，也是不行。

安裝之后如果出現(xiàn)“ImportError: DLL load failed: 找不到指定的模塊”錯(cuò)誤，一般問題都是出在了版本不匹配上。

最需要注意的是CUDA9.2 。最初在NVIDIA控制面板，顯示我的顯卡支持CUDA 9.2.148，因此我按照推薦列表，選擇tensorflow-gpu1.12.0+cuDNN 7.5.0.56+CUDA 9.2.148 +python3.5.5。注意此處有坑??！無論如何都是安裝不成功，一直都是“ImportError: DLL load failed: 找不到指定的模塊”這個(gè)錯(cuò)誤。

后來看到有網(wǎng)友說，推薦列表中只給出CUDA版本號(hào) 的第一位，一般使用的都是CUDA9.0或者CUDA10.0，后面版本可能會(huì)出現(xiàn)不兼容。

于是，卸載CUDA9.2（不要管NVIDIA控制面板組件中顯示的是CUDA9.2.148，不一定需要匹配），重新在推薦列表中尋找匹配的cuDNN以及tensorflow-gpu版本，最后成功安裝。

總結(jié)

到此這篇關(guān)于TensorFlow的環(huán)境配置與安裝教程詳解（win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5）的文章就介紹到這了,更多相關(guān)TensorFlow環(huán)境配置與安裝內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論