为了用Keras,做一些深度神经网络的作业,所以开始折腾了.
听同学说Google Colab深度学习云平台提供有免费GPU使用(TensorFlow),本人没有过多了解,感兴趣的可以去了解下[点击这里].
回到本地安装上来,这里有几点需要注意的,也是我遇到的一些坑,希望给后来的同学节约一些时间,少走一些弯路.
具体步骤,本人参考这里
最重要的步骤在于CUDA和CUDnn安装版本的正确!
本人安装环境:
l 操作系统:win10
l python版本:3.8
l NVIDIA显卡驱动版本:460.89
l tensorflow-gpub版本:2.4.0
l CUDA:11.1
l cudnn:8.0.4
l keras版本:2.4.3
-
在安装之前呢,我们需要安装anaconda,用于创建虚拟环境用于运行程序,这里不再赘述了.
-
CUDA™是一种由NVIDIA推出的通用并行计算架构,该架构使GPU能够解决复杂的计算问题。所以如果是AMD YES!的同学就不必考虑用GPU跑深度学习了.
-
很关键的一点!显卡驱动版本和CUDA的安装版本之间是有联系的!
可以去NVIDIA控制面板查看–>系统信息(左下角)–>组件
第三行–NVCUDA 11.2.66所以我这里安装的是11版本
请务必根据这个下载对应的CUDA版本,否则GPU跑不起来,还是CUP在跑,亲测!!!泪目浪费了很多时间.
-
CUDaa的版本要对应CUDA 的版本号,对了下载CUDA和CUDnn都需要科学上网!!
-
个人感觉豆瓣镜像要比清华镜像要快,大家可以自行选择
豆瓣 https://pypi.douban.com/simple/
清华 https://pypi.tuna.tsinghua.edu.cn/simple/ -
在安装TensorFlow-gpu的时候我没有刻意指定安装哪个版本,他会自动选择,我没有出现这方面的错误.
pip install -i https://pypi.douban.com/simple/ tensorflow-gpu
注:TensorFlow-gpu是gpu版本
pip install -i https://pypi.douban.com/simple/ keras
-
之后大家可以根据上面参考博客中的案例,进行测试.
-
如何查看GPU是否使用,占用率是多少呢
在命令行中输入
nvidia-smi
下图红框中的百分比就是占用率,这里没有跑程序所以为0
百分比就是占用率,这里没有跑程序所以为0
-
如果占用率很低(比如40%)可参考此处
-
运行时红色说明是正常的,除非出现失败,或者运行速度很慢时,就要开始找问题了…
使用GPU跑的速度真的比CPU快很多,CPU 168ms/Step,而GPU 30ms/Step(我的古董笔记本…)
最后希望大家都装的又快又完美!