tensorflow-gpu1.8.0+win10+vs2017+CUDA9.2 安装——从挖坑到跳坑到出坑

tensorflow-gpu1.8.0+win10+vs2017+CUDA9.2 安装——从挖坑到跳坑到出坑

2018年06月08日 15:29:06 EggPieMaster 阅读数：22856

转自https://blog.csdn.net/JackZhang_123/article/details/78020444?utm_source=blogxgwz6

    首先，容我骂一句，辣鸡英伟达!费我时间，毁我青春！装个CUDA9.2死活装不来，太费劲。

 

 

    开始正事。想装python下的tensorflow-gpu，本人刚开始学机器学习，想着反正有Nvidia显卡，不如装个gpu版本的tensorflow，挖坑之旅由此开始，相信既然搜索者相关内容的同志们一定感同身受，我也就不多说废话了，直接讲讲怎么出坑，但愿以下经验能够帮助到你们！

 

 一、本机配置

 

 

    win10 64位 + NVIDIA GeForce GTX 950M（不用猜了，m结尾，我的电脑是笔记本）

 

二、安装vs2017

 

 

    我的vs2017版本是15.6.7

    为了安装下面提到的CUDA9.2，我们可以看一下CUDA的安装指南，看一下它支持什么系统，什么版本的vs，以下是链接：

 

 

    https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html

    可以看到，cuda9.2支持64位win10 和vs2017的update6。其实我也不知道update6是不是我vs15.6.7这个版本号里的数字6的含义，反正我就是这么装了这个vs版本。

 

    社区版链接下载地址点击此文字

 

    历史版本下载见巨硬官网链接，往下拉既能看到vs2017历史版本的下载：https://docs.microsoft.com/en-us/visualstudio/productinfo/installing-an-earlier-release-of-vs2017#top

 

    这个是要联网的下载，离线安装请自行百度。

 

    安装的时候我们要勾选那些呢？

 

    

 

    上图是我选的，其中勾选的win10SDK一定勾上，因为我在安装完CUDA9.2之后测试官方案例时，一开始就因为缺少这个没编译成功。仅供参考，因为我也只是知其然不知其所以然。有待于以后继续学习。

 

    安装完之后，vs2017就暂告一段落。

 

二、安装CUDA9.2

 

    下载CUDA9.2，官网下载地址

 

    选择CUDA Toolkit 9.2 (March 2018)

 

 

    然后选择windows、x86_64、10、exe(local)  并下载（可供下载的有Base Installer 和 Patch 1 (Released May 16, 2018)我们都下载下来），下载的文件是cuda_9.2.88_win10.exe和cuda_9.2.88.1_windows.exe

 

 

    下载完之后的cuda_9.2.88_win10.exe是可执行文件，但是我们可以用WinRAR将这个exe解压。（注意：是将这个exe解压，后面要用到，仅仅解压cuda_9.2.88_win10.exe）

 

    进入解压后的cuda_9.2.88_win10文件夹，有setup.exe,你直接双击下载的cuda_9.2.88_win10.exe也行，只是双击cuda_9.2.88_win10.exe，它也是需要解压的，浪费时间，既然我们以及解压了，就不要麻烦程序再解压一遍了，还费时间。

 

    重点来了！！！！！！！

 

    此处默认你的电脑已经装好了显卡的驱动（包括GForce Experience等等）

 

    安装程序选择自定义安装（我之前选了精简安装，后面没装成功，连自己本身电脑的显卡驱动都坏了，重新下显卡驱动也装不上，还好我之前对c盘有过备份），我们只勾选CUDA里的Development、Runtime、Documentation、Samples。不要勾选Visual Studio Integration。按理说不勾选Visual Studio Integration之后是能顺利完成的。

    安装完毕后，我们打开cuda_9.2.88_win10.exe解压后cuda_9.2.88_win10的文件夹，进入到\cuda_9.2.88_win10\CUDAVisualStudioIntegration\extras\visual_studio_integration\MSBuildExtensions路径下，有四个文件，将所有文件拷贝到VS的对应目录下，参考路径如下

 

C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\Common7\IDE\VC\VCTargets\BuildCustomizations

 

    然后我们双击下载的另一个exe文件：cuda_9.2.88.1_windows.exe，这应该是一个补丁文件，修复cuda_9.2.88_win10.exe中的一些问题的。

 

    CUDA9.2安装完毕。

 

三、安装cudnn

    下载地址

    选择Download cuDNN v7.1.2 (Mar 21, 2018), for CUDA 9.1 & 9.2

    因为CUDA是9.2版本，对应cudnn的版本是7.1.2

    解压cudnn-9.2-windows10-x64-v7.1.zip，将文件夹里的内容拷贝到CUDA的安装目录并覆盖相应的文件夹，CUDA拷贝目录：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2

四、测试Samples

 

    打开目录：C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.2\5_Simulations\nbody

 

    这是官方的一个案例项目：nobody

 

    找到nbody_vs2017.sln，用vs2017打开，编译（此时编译就用到了之前安装vs2017勾选的那个SDK），编译之后的效果如下：

 

    其他案例没能成功，参照博主【月光轩辕】所说：“CUDA中自带了很多Sample，但是部分Sample依赖了第三方库，所以很多Sample无法正常编译（如0sample中有项目依赖了mpi，还有一个项目依赖了DirectX），我刚开始的时候尝试去编译所有的samples，被这些多出的依赖搞的焦头烂额，但是最后发现毫无必要，我当时真的是太蠢了。”

 

    多亏了该博主之前的尝试，让我没才能不钻这个死胡同，不然按我的性子，没编译成功肯定会认为是那里没安装正确。深表感谢！

 

五、安装tensorflow-gpu1.8.0

 

    采用的安装包是地址是：https://github.com/fo40225/tensorflow-windows-wheel/tree/master/1.8.0/py36/GPU/cuda92cudnn71sse2

 

   下载下来之后  用pip安装这个whl文件，需要连网，因为会有其他的相关的库会自动下载

    这个安装你要不会，我觉得你该从python基础去学了。

六、验证此时的tensorflow的代码是否是在使用GPU

 

    以下代码也是我从网上找的，不是自己写的，如有冒犯告知删除。    

 

    首先看看tensorflow是不是正常安装并可以导入了：

 

代码一：

 

import tensorflow as tf

a = tf.test.is_built_with_cuda()  # 判断CUDA是否可以用

b = tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)                                  # 判断GPU是否可以用

print(a)
print(b)

输出结果是：
True
True
代表CUDA和GPU可用

代码二：

import tensorflow as tf

#Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print(sess.run(c))

输出结果是：[[22. 28.]
 [49. 64.]]

 

 

 

下面是直观的看出代码有没有在使用GPU

 

代码三：

 

import tensorflow as tf

with tf.device('/cpu:0'):
    a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
    b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
    c = a + b

# 注意：allow_soft_placement=True表明：计算设备可自行选择，如果没有这个参数，会报错。
# 因为不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，将会报错。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
# sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))

 

    先不急着运行，打开任务管理器，点击  性能  ，找到你自己英伟达显卡的GPU那一栏，点击一下，可以显示GPU的利用情况，正常情况下你没运行什么程序，GPU利用率什么的都是0，没有波澜，然后你运行代码三，会发现GPU利用率开始变化了，如下图：
 

 

至此，大功告成！愉快的玩耍吧！