配置TensorFlow-GPU环境

笔者的博客：YvanZh.top
转载文章请注明出处~

前言

笔者经过两个月的学习，总算是对机器学习的知识框架以及应用领域有了大体的了解，研读文献也渐入佳境。

“纸上得来终觉浅，绝知此事要躬行。”笔者准备开始用实践检验真理，奈何没有趁手的电脑，之前的Coding计划被多次推延。

今天发现偶然发现古董笔记本的显卡居然支持CUDA。于是一番捣腾，踩过无数坑之后终究还是修成正果。

笔者的笔记本电脑信息如下：

• 型号：Thinkpad E540
• 系统：Windows 10
• 显卡：NVIDIA GeForce 840M
• 内存：8 GB

准备工作

显卡是否支持CUDA？

可浏览CUDA官网查看显卡是否达到所需的算力(Compute Capability)要求。

Python环境

根据TensorFlow官网给出的支持信息选择可支持的Python版本。笔者使用的是Python3.6.6版本。

安装Python的两种方法：

1. 直接下载并安装Python对应版本。
2. 安装Anaconda“全家桶”，创建Python对应版本的虚拟环境。

在Windows系统下笔者推荐后者。原因如下：

• Anaconda的base环境集成了多种常用库，省去了自行安装的繁琐过程。
• conda可以创建多个独立的虚拟环境，并且能管理使用pip安装的库。

尽管如此在安装TensorFlow-GPU库的时候笔者还是推荐使用pip。笔者曾尝试使用conda进行安装，结果出现了错误。毕竟conda只是由社区维护的，没有受到TensorFlow官方团队的关注。而原生的pip相较之下就属于“亲儿子”了。

配置流程

安装CUDA Toolkit和cuDNN

首先根据TensorFlow官网给出的支持信息查看目前TensorFlow支持的CUDA Toolkit与cuDNN的版本。笔者使用的是CUDA Toolkit v9.0以及cuDNN v7.3版本。

1. 下载CUDA Toolkit安装包。安装时注意：

   • 选择自定义安装模式，并勾选所有选项。因为CUDA Toolkit安装包内含有与之相匹配的显卡驱动程序。

2. 下载对应的cuDNN压缩包。将解压的三个文件夹合并到CUDA Toolkit的根目录的三个同名文件夹下。笔者路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

安装TensorFlow-GPU

1. 安装好Anaconda后，创建一个新的虚拟环境。打开Anaconda Prompt并输入：

   create -n py36 python=3.6
   

   其中py36为虚拟环境名，python=3.6为指定的版本。
   当系统询问是否安装时输入y。

2. 激活新的虚拟环境。输入：

   conda activate py36
   

   命令行的(base)变成了(py36)。

3. 在新的虚拟环境中使用pip安装TensorFlow-GPU库。输入：

   pip install --ignore-installed --upgrade tensorflow-gpu 
   

4. 等待安装完成之后，进行测试。输入python以打开解释器，并输入以下：

   import tensorflow as tf
   tf.test.gpu_device_name()
   

5. 返回结果的最后一行代码如下：

   physical_device_desc: "device: 0, name: GeForce 840M, pci bus id: 0000:01:00.0, compute capability: 5.0"
   

大功告成！