windows10 安装tensorflow-gpu1.5 cuda9.0

windows10 安装tensorflow-gpu1.5 cuda9.0

1.1     安装Anaconda3

首先去下载安装Anaconda3（Anaconda3-5.1.0-Windows-x86_64.exe）

安装完成这个软件后进入cmd无法识别conda。于是发现这个软件有问题，

于是卸载了这个，先安装了Miniconda3-latest-Windows-x86_64.exe。

之后可以进入cmd，使用conda。

运行cmd :

conda -V :

C:\Users\Administrator>conda -V

conda 4.5.1

 

C:\Users\Administrator>

由于对于这个conda不熟悉，参考网上经验又去建立了Anaconda3目录，其实没有必要的。

 

C:\Users\Administrator>conda env list

# conda environments:

#

base                  *  D:\ProgramData\Miniconda3

Anaconda3               D:\ProgramData\Miniconda3\envs\Anaconda3

python35                D:\ProgramData\Miniconda3\envs\python35

tf-gpu                  D:\ProgramData\Miniconda3\envs\tf-gpu

tfgpu1.5                 D:\ProgramData\Miniconda3\envs\tfgpu1.5

折腾这个Anaconda3                有耽误了好些时间。

之后安装了python35环境：conda create --name python35python=3.5

实际这样也没有必要。

后来经过多次尝试后明白了这个conda是什么意思的就很简单明了的建立了tf的环境了。

1.2     安装Miniconda3

首先安装Miniconda3，之后，可以使用conda。

这个conda可以建立不同的env。Env内可以使用不同的软件包进行配置。生成需要的环境。明白这之后就好办了，就可以安装tf了。

 

1.3     安装TF-GPU

1. conda create --name  tfgpu1.5  python=3.5

   建立一个python3.5 名字为tfgpu1.5的环境

2. activate tfgpu1.5

   激活建立的环境。现在这个环境之中只安装了python3.5的安装包。

3. python -m pip install --upgrade pip

   在这个环境中更新pip到最新。

4. pip install --upgrade tensorflow-gpu==1.5.0

   安装 tensorflow-gpu的1.5.0版本。如果设备没有gpu就安装CPU版本的tf：tensorflow。

如果网速很慢，需要更换清华大学的源，网上有相关文档可以参考。

这个安装完成之后，tf的安装就算完成了。

 

1.4     安装cuda9.0 和对应cudnn：

cuda_9.0.176_win10 .exe

cudnn-9.0-windows10-x64-v7

安装cuda_9.0.176_win10.exe的时候选择自定义安装，不选择里面的VS的部分，否则安装报错。

解压cudnn-9.0-windows10-x64-v7，分别copy 目录中文件到cuda目录中对应的目录下。

并且把bin,inlcue,lib,的路径加入系统环境变量path中：

C:\Program Files\NVIDIA GPU ComputingToolkit\CUDA\v9.0\lib\x64

这个也要加入path中

1.4.1       建立环境：

1.4.2       更新pip,安装TF gpu版:

1.4.3       测试TF

1.5     测试TF

test.py

import tensorflow as tf

import numpy as np

 

x =tf.placeholder("float",shape=[None,1])

W = tf.Variable(tf.zeros([1,1]))

b = tf.Variable(tf.zeros([1]))

y = tf.matmul(x,W) +b

y_ =tf.placeholder("float",[None,1])

cost = tf.reduce_sum(tf.pow((y_-y),2))

train_step = tf.train.GradientDescentOptimizer(0.001).minimize(cost)

init = tf.initialize_all_variables()

sess = tf.Session()

sess.run(init)

All_x = np.empty(shape=[1,1])

All_y = np.empty(shape=[1,1])

for i in range(1000):

   x_s = np.random.rand(1,1)

y_s = np.dot([[0.33]],np.random.rand(1,1))+ 0.33

feed = {x: x_s, y_: y_s}

sess.run(train_step,feed_dict=feed)

print("After %d iteration:"%i)

print("W : %f"%sess.run(W))

print("b : %f"%sess.run(b))

All_x = np.concatenate((All_x,x_s))

All_y = np.concatenate((All_y,y_s))

print(All_x)

print(All_y)