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。

Windows系统下笔者推荐后者。原因如下:

  • Anacondabase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 ToolkitcuDNN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!

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值