一、安装方面
这里默认以tensorflow 2.0 gpu版本为例说明,安装cpu版本只需要把下面命令中的-gpu 删除即可
1.1 安装小细节控制
以下命令同为通用,读者若使用的是Anaconda 所创立的虚拟环境,请先
activate XXX(虚拟环境名)
若使用的base环境或不使用Anaconda 请忽略这一步
现在是2019.10,自Tensorflow 2.0 出现后,numpy 1.17 也出台了,如果直接用默认的安装命令
conda install tensorflow-gpu
或者是
pip install tensorflow-gpu
均可能会出现一些小问题,这里建议使用
pip install tensorflow-gpu==2.0 numpy==1.16.4
这样会比较稳定,numpy 1.17当然也是可用的,但不是很稳定,容易出错,具体原因不明,我遇到的numpy出错的问题的解决方案见下,这里暂不提。
至于为什么不用conda 命令,而是用pip命令则是由于我查了一些资料,浏览了一些博主所写到的,据说是因为conda 存在一些小bug,而且目前conda 还暂不支持TF2.0的conda install 。
1.2 CUDN与cudnn的版本选择
CUDN与cudnn的版本适配与安装步骤问题网上已经有很多了,这里就不再一一赘述,主要就提几个我遇到的坑或者我个人认为比较方便读者的几点
1.2.1 查看已安装好的tensorflow支持的CUDN与CUDNN版本号
这些信息在安装好tensorflow后只可以直接从源码中查看的,步骤如下:
step1.打开你的tensorflow的环境地址
step 2.以 笔者的包环境为例, 在**D:\Programming\Anaconda3\envs\tf2\Lib\site-packages\tensorflow_core\python\platform
** 下,打开 build_info.py 文件,笔者的如下
cuda_version_number = '10.0' # 表示CUDA的版本为10.0
cudnn_version_number = '7' # 表示CUdnn的版本为 7
msvcp_dll_name = 'msvcp140.dll'
nvcuda_dll_name = 'nvcuda.dll'
cudart_dll_name = 'cudart64_100.dll'
cudnn_dll_name = 'cudnn64_7.dll'
在这里可以看到我们应下载的CUDA版本和CUdnn版本,按照这里的版本下载,就不会有问题了!
1.2.2 一般TF 2.0支持的cudn 和cudnn的版本号应该是 cudn>= 10.0 , cudnn >= 7
目前cudn的版本已经出到10.1,对应的cudnn的版本也更新了,但这里建议不要使用 cudn 10.1 容易出问题。当然如果读者执意要使用cudn 10.1 最后出现ImportError: Could not find 'cudart64_100.dll’问题,请自行百度解决方案(当然,读者也可以去直接把目标目录下存在的cudart64_101.dll重命名为cudart64_100.dll,这样确实就不会弹bug了,但会不会有别的问题,笔者不敢保证)
二、测试是否安装成功
2.1 测试tensorflow是否安装成功
命令行下,切换到目前虚拟环境,并输入以下代码:
python
import tensorflow as tf
tf.__version__
tf.test.is_gpu_available()
如果显示以下结果,则说明,tensorflow安装成功。注:这里只能看出tensorflow的cpuu版本是否成功安装,至于gpu则请看下一栏。
2.2 测试tensorflow-gpu是否安装成功
在上一步的基础上,在追加以下代码:tf.test.is_gpu_available()
即可,若显示True,则证明安装成功,如下图所示: