windows7+Tensorflow-gpu1.8.0+CUDA9.0+cuDNN7.1.4的安装配置

版权声明：本文为博主原创文章，转载请表明本文出处。 https://blog.csdn.net/kebi199312/article/details/86549637

下述方法没有采用在Anaconda环境下安装Tensorflow-gpu，而是在windows PowerShell里用pip install安装Tensorflow-gpu

配置环境

win7旗舰版，处理器：i5-7500 cpu@3.40Ghz，内存8GB，64位操作系统

显卡：GeForce GTX 1050

VS2013

博主在安装Tensorflow-gpu时，没有具体查看Tensorflow-gpu版本以及对应的CUDA、cuDNN，导致出现了很多错误，在试过很多次后，发现Tensorflow-gpu 1.8.0与CUDA9.0、cuDNN7.1.4安装成功，且能完美运行！

1、安装python

             Python安装3.5.2的比较合适，安装时记得勾上add python to Path 选项，同时把Python的安装路径添加到系统环境变量的Path变量中。

            安装完成后，打开windows PowerShell，输入“python”，可以查看python的版本。

2、安装CUDA9.0

在安装CUDA时，应先查看NVIDIA的属性，选择适当的CUDA版本。打开“NVIDIA 控制面板”--“系统消息”--“组件”，可以查看NVIDIA 支持的CUDA版本。

这里选择安装CUDA9.0，CUDA9.0的下载地址：https://developer.nvidia.com/cuda-90-download-archive。

安装时选择自定义安装，安装位置自定，我的安装位置如下(下面的环境变量设置都是基于我的安装位置)：

CUDA Development:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0

Samples:E:\Program files\NVIDIA\CUDA Samples\v9.0

CUDA Documentation:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0

安装完成后，可以看到系统环境变量会出现CUDA_PATH；但是这样不能直接访问CUDAbin和lib\x64下的程序包，因此还需添加两个路径：

E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin;

E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64

为了验证CUDA是否安装成功：

第一种：打开cmd在命令行输入：nvcc –V，出现即为安装成功：

           第二种：编译cuda9.0自带的samples，用vs2013打开Samples_vs2013.sln，在Release下，选中解决方案Samples_vs2013进行编译

            第三种，命令行中运行C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi.exe，可以得到GPU运行时的监测界面，则CUDA安装成功

同时我们还需要在环境变量中添加如下几个变量：

CUDA_SDK_PATH = E:\Program files\NVIDIA\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 

3.安装Tensorflow-gpu

接下来就是利用pip安装Tensorflow-gpu，命令行工具用管理员身份打开windows Power shell，输入pip install tensorflow-gpu==1.8.0，或者下载好离线的.whl文件，打开命令行，cd到.whl的文件目录，再用pip安装，如下图所示。

pip install tensorflow_gpu-1.8.0-cp35-cp35m-win_amd64.whl

安装完成后，验证tensorflow-gpu是否安装成功，激活python环境，输入：import tensorflow as tf，没有报错即为成功！ 

查看tensorflow的版本，激活python环境，输入tf.__version__，即可查看：

4、安装cuDNN7.1.4

在NVIDIA官网下载cuDNN7.1.4，需要注册账号，下载完后解压缩，会生成cuda/include、cuda/lib、cuda/bin三个目录，分别将cuda/include、cuda/lib、cuda/bin三个目录中的内容复制到E:\Program files\NVIDIA\CUDA Documentation Development\v9.0对应的include、lib、bin目录下即可。

            验证cuDNN是否安装成功：新建c++文件，复制如下代码：

#include <iostream>

#include <cuda_runtime.h>

#include <cudnn.h>

using namespace std;

void main()

{

         cudnnHandle_t handle;

         cudnnStatus_t t = cudnnCreate(&handle);

         cout << cudnnGetErrorString(t);

         getchar();

}

在项目的属性里输入如下路径：

包含目录配置：E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin

库目录里配置：E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64

链接器—输入，配置cudnn.lib；

调试出现：CUDNN_STATUS_SUCCESS，则cudnn安装成功了。

           为了验证Tensorflow-gpu与CUDA9.0和cuDNN 是否匹配成功，运行python文件，出现下图信息，即运行gpu成功！

至此，Tensorflow-gpu 1.8.0、CUDA9.0及对应cuDNN 7.1.4安装且配置成功。使用GPU计算是深度学习计算的基础，配置成功以后，深度学习计算速度使用GPU将更快了。

出现的问题

写在最后，出现的问题汇总：

• Tensorflow1.11.0 版本及以上版本会让 CuDNN 7.0.5 报错；
• Tensorflow-gpu 1.12.0与CUDA9.0、cuDNN7.1.4安装能成功，但是运行有些程序的时候会报错：

Loaded runtime CuDNN library: 7.1.4 but source was compiled with: 7.2.1

也就是需要安装cuDNN7.2.1，也可把tensorflow-gpu 降级:

pip install --upgrade --force-reinstall tensorflow-gpu==1.x.0

x是对应的tensorflow-gpu的版本；

• 安装tensorflow-gpu时尽量安装低版本。