adding visible gpu devices: 0是什么意思_华为AI认证-TensorFlow2.0编程基础

最新推荐文章于 2023-10-23 09:55:53 发布

LHZ5388015210

最新推荐文章于 2023-10-23 09:55:53 发布

阅读量504

点赞数

文章标签： adding visible gpu devices: 0是什么意思

本文链接：https://blog.csdn.net/weixin_39775354/article/details/113041694

版权

本文介绍了TensorFlow2.0的特点，如移除graph和session机制，以及其在GPU加速和自动求导方面的优势。详细讲解了在Linux环境下搭建GPU版TensorFlow2.0的步骤，包括安装Nvidia驱动、CUDA和cuDNN。同时，文章涵盖了TensorFlow2.0的基础操作，如数据类型、张量操作、变量管理和维度变换等。

摘要由CSDN通过智能技术生成

参考《HCIA-AI2.0培训教材》《HCIA-AI2.0实验手册》

认证要求：

了解TensorFlow2.0是什么以及其特点
掌握TensorFlow2.0基础和高阶操作方法
熟悉TensorFlow2.0中的Keras API

简介：

TensorFlow是目前最为流行的深度学习框架，是人工智能领域的第一主要工具。从发布至今，共经历了0.1,1.0,2.0三个版本，认证考试要求掌握的是最新的2.0版本。

TensorFlow1.X中创建Tensor后，不能直接返回结果，只是创建计算图graph，需要在之后使用session会话机制才能运行，这种风格更像是一种硬件编程语言VHDL。

另外，TensorFlow1.X调试困难，API混乱，入门不易，使用更难，很多研究人员转向了PyTorch，但是比如在移动端的部署还是非常头疼。

TensorFlow2.0最大的特性就是去掉了graph和session机制，变得像Python和PyTorch一样，所见即所得。计算图、会话、变量管理与共享、Define-and-Run这些概念将一去不返了。

TensorFlow2.0包括了TensorFlow核心库，JavaScript，Lite，Extend。构成了一个完整的TensorFlow生态系统。

Why TensorFlow？

TensorFlow成为当下最流行的框架主要因为以下几个优势：

支持GPU加速
支持自动求导
丰富的深度学习API

GPU可以对矩阵的加减乘除做并行加速：

import tensorflow as tf
import timeit
with tf.device('/cpu:0'):
    cpu_a = tf.random.normal([10000,1000])
    cpu_b = tf.random.normal([1000,2000])
    print(cpu_a.device,cpu_b.device)

def cpu_run():
    with tf.device('/cpu:0'):
        c = tf.matmul(cpu_a,cpu_b)
    return c

with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([10000,1000])
    gpu_b = tf.random.normal([1000,2000])
    print(gpu_a.device,gpu_b.device)

def gpu_run():
    with tf.device('/gpu:0'):
        d = tf.matmul(gpu_a,gpu_b)
    return d

# warm up
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)

print('warm up: ',cpu_time,gpu_time)

# run time
cpu_time = timeit.timeit(cpu_run,number=10)
gpu_time = timeit.timeit(gpu_run,number=10)

print('run time: ',cpu_time,gpu_time)

i7-9700 v.s. RTX 2070 S

自动求导tf.Gradient(Tape):

import tensorflow as tf

a = tf.constant(1.)
b = tf.constant(2.)
c = tf.constant(4.)

with tf.GradientTape() as tape:
    tape.watch([a,b,c])
    y = a**2 + b*c + c
    [da,db,dc] = tape.gradient(y,[a,b,c])

print(da)
print(db)
print(dc)

da=2*a=2,db=c=4,dc=b+1=3

TensorFlow提供大量的深度学习API：

Tensorflow2.0 GPU环境搭建(linux平台下)

Nvidia显卡驱动：需要在Nvidia官网https://www.nvidia.com/Download/index.aspx?lang=en-us查询显卡对应的驱动包，下载。下面提供了一个适合RTX 20XX系列的安装包的百度云链接。链接：https://pan.baidu.com/s/1b1daIaMaz7-oy28sMLjysA 密码：4jeg

下载后进入tty3命令行模式，关闭lightdm，禁用nouveau显卡驱动，并安装Nividia显卡驱动程序