参考:
VS2017安装以及python测试: https://blog.csdn.net/manjiang8743/article/details/79517135
cuda安装配置参考:https://blog.csdn.net/u013165921/article/details/77891913
一. 确定软件以及软件版本
1. VS2017
下载VS2017,VS2017自带python3.6.5,所以不需要另外安装python。安装VS2017时选择python模块就可以。
2. 确定Tensorflow版本
首先确定VS2017可以安装的Tensorflow版本,以及与VS2017匹配的cuda版本有哪些。我开始安装cuda8.0就和VS2017版本不匹配。
然后确定Tensorflow版本和与之对应的cuda以及cudnn版本,这个一定要先确定好,因为我自己先装了cuda9.0,后来装Tensorflow1.4,发现二者不匹配,后来删了cuda9.0,重新安装的9.1,很麻烦。
确定版本参考https://github.com/fo40225/tensorflow-windows-wheel/tree/master/1.4.0/py36/GPU/cuda91cudnn7avx2;
所以安装tf1.4,需要cuda9.1以及cudnn7。
安装文件whl也在这个网址下下载下来。
3. cuda和cudnn
上面确定了安装tf1.4需要cuda9.1,以及cudnn7。
显卡驱动最新版:https://www.nvidia.cn/Download/index.aspx?lang=cn
cudnn下载地址:https://developer.nvidia.com/rdp/cudnn-archive
cuda下载地址:https://developer.nvidia.com/cuda-toolkit-archive
分别将上面三个下载下来,驱动就下载最新版就可以。
上面的tensorflow和VS2017以及cuda和cudnn是最重要的需要预先下载的软件,版本尤其要匹配,不然后期很麻烦。
二. 软件安装配置
1. 安装VS2017
这个可以参考文章开始的参考网址就可以,一定要把python勾选,其他的配置都很普通。
顺带安装VAX,后面写代码可以设置代码颜色和高亮等,比较好用。
2. 安装cuda以及cudnn
2.1 驱动更新
首先将显卡驱动更新到最新版,不然驱动版本过低,会限制cuda版本,更新到最新版,就可安装最新版驱动限制的cuda版本以及其一下所有的cuda版本了。
如下图,我的显卡驱动限制的cuda最高版本是cuda9.1。
2.2 安装cuda
然后安装cuda,要先关闭已经安装的VS2017。运行cuda的exe文件,默认安装路径,选择安装所有组件:
安装完成后,进行环境变量配置:
在系统环境变量中新建上图中的变量,右侧是变量的值。
然后测试CUDA是否安装成功,找到文件deviceQuery.exe,在cmd中输入deviceQuery.exe,回车,会显示cuda信息:
可以参考文章上部的参考网址,进行cuda和VS2017的配置,因为之前做过CUDA加速,配置过很多次,就不在这里写了。
2.3 安装cudnn
cuda的安装路径:
将下载的cudnn中的三个文件夹里的文件拷贝到cuda对应的三个文件中即可。
3. 安装Tensorflow 以及keras、相关库
3.1 安装Tensorflow
先使用CPU-Z看一下自己的电脑是否支持avx指令,不然有可能使用不了Tensorflow,或者只能安装低版本tensorflow。我的电脑没这个问题,也测试了下是支持的:
安装tensorflow使用指令安装,打开VS2017,打开Python环境里的在PowerShell中打开:
我的VS2017中最近一点这个就崩溃,所以采用右键“在PowerShell中打开”选择在命令提示符中打开:
可见进入的是Python的安装路径。
找到之前下载的tf的路径:tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl,预先下载,安装比较快。
安装tf,输入命令:pip3 install <tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl所在路径>
安装过程会因为网速问题,下载不下来protobuf或者tensorboar等断掉几次,不用担心,多运行几遍上面的命令就可以。
下面是我最开始安装1.8的结果,嗯,最后还做了版本回退到1.4:
安装测试:
在VS2017中新建python文件,输入代码:
import tensorflow as tf
a = tf.test.is_built_with_cuda()
b = tf.test.is_gpu_available(cuda_only=False,min_cuda_compute_capability=None)
print(a)
print(b)
如果tf版本和cuda版本不匹配就会报错,看我最开始tf1.8+cuda9.1的报错:
如果真的版本出错,此处tf版本回退的命令:
pip3 install --upgrade --ignore-installed C:\Users\Administrator\Downloads\tensorflow_gpu-1.4.0-cp36-cp36m-win_amd64.whl
至于cuda版本与tf版本匹配,想要修改cuda版本就比较复杂,有感兴趣的可以留言,这里就不写了。按照上面的流程,先确定好版本是不会出问题的。
3.2 安装keras
仍是就是在VS2017的Python环境中打开PowerShell,输入命令:pip install keras
我的电脑因为网速问题,h5py模块一直下载不下来,就预先现在h5py模块,在使用上面的命令安装keras。
安装h5py模块命令:pip3 install --index-url https://pypi.tuna.tsinghua.edu.cn/simple h5py
上面的网址https://pypi.tuna.tsinghua.edu.cn/simple,是清华的源,可以下载各种包,速度比较快。
keras安装成功:
3.3 安装其他的包
同上面一样在VS2017中打开PowerShell,使用pip下载包。
一般首先使用 pip install <包名称>,直接下载,例如下载opencv的包:pip install opencv-python
不过有时候会因为网速问题下载不下来,就切换到清华的源下载包:pip install https://pypi.tuna.tsinghua.edu.cn/simple <包名称>
例如:pip3 install --index-url https://pypi.tuna.tsinghua.edu.cn/simple scipy,就可以下载scipy包使用。
所以其他的包,如numpy,sklearn, Pillow等。
至此就完成了整个环境部署,可以进行深度学习了。其他还有许多功能,如创建多个虚拟环境,不同虚拟环境可以使用不同的软件版本,等其他的尽情去发掘吧。
之前Linux下进行深度学习时使用的是Pycahrm,习惯了,所以虽然配置了VS2017中的环境,我还是下载了Pycharm,新建工程将工程的Project Interpreter切到python.exe下,就可以使用了。