目录
1.操作系统
本文中演示的操作系统是Win10。
2.软件下载
百度云盘下载链接:https://pan.baidu.com/s/1deY_94UJvPOlC1yIl3jbCw
提取码:jin9
本文作者在链接中上传了3个深度学习环境搭建所必需的文件,如下:
- Nvidia出品,用于做并行计算的平台CUDA,版本为9.0,前提是电脑拥有Nvidia独立显卡。
在做深度学习实验时,建议最低配置也需要Nvidia GTX1060的6GB显存版本。
本文作者使用的是CUDA9.0,查看自己的电脑是否能够使用CUDA9.0,请查看本文作者的另外一篇文章《Windows系统查看CUDA版本号》,链接:https://www.jianshu.com/p/d3b9419a0f89 - Nvidia出品,用于做深度学习加速计算的cuDNN库,版本为7.1。官方下载地址:https://developer.nvidia.com/rdp/cudnn-archive
- Google出品,提供给开发人员的深度学习开发框架TensorFlow。
其有2个版本,cpu版和gpu版,本文要安装的是gpu版本,因为gpu版本是cpu版本运行速度的50倍。
在这篇文章当中,本文作者只演示如何安装软件,使读者能够以最快的速度使用上深度学习的GPU加速。
学习如何从官网下载这些软件,请阅读另外一篇文章:《深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的下载》,链接:https://www.jianshu.com/p/c73668544925
3.安装CUDA9.0
本文写作的时候,市面上已经有CUDA11.0,但是没有与之对应的Tensorflow_gpu版本。
因为最新版的Tensorflow_gpu兼容CUDA9.0的版本容易从网上获取,即通过pip install tensorflow_gpu
安装的版本是可以兼容CUDA9.0的。
选择下图中红色箭头标注处exe可执行文件,双击开始安装。
不要修改默认安装位置,直接点击OK,如下图中红色箭头标注处所示。
如下图所示,正在提取安装文件中的内容,等待即可。
上图运行完成后,回自动弹出NVIDIA安装程序,如下图所示。
在检测系统兼容性这一步,等待即可。
本文作者的显卡是Nvidia Tesla K40c,在下图中安装程序显示没有发现可以兼容的显卡设备。
因为CUDA9.0比K40c更早发布,所以没有找到是合理的,但是安装后仍然可以正常使用。
本文读者可能直接跳到“许可协议”这一步,则说明安装程序找到了可兼容的显卡设备。
点击下图红色箭头标注处,进入下一步。
许可协议不用仔细去阅读,点击下图红色箭头标注处,进入下一步。
安装模式选择精简,点击下图红色箭头标注处,进入下一步。
勾选下图中的上方红色方框标注处,然后NEXT按钮会亮起。
点击下图中的下方红色箭头标注处中的NEXT按钮,进入下一步。
安装界面显示Preparing for installation,即正在准备安装。
安装过程中部分截图如下图所示。
安装完成后,安装程序界面如下图所示。
点击下图中的下方红色箭头标注处中的下一步。
结束界面中两个可选项不用勾选。
点击下图中的下方红色箭头标注处中的关闭,安装CUDA9.0结束。
4.安装cudnn7.1
使用解压软件将压缩文件cudnn-9.0-windows10-x64-v7.1.zip解压到当然文件夹,具体操作示意图如下图所示:
解压后入下图所示,在文件夹cuda9.0下载中多了文件夹cudnn-9.0-windows10-x64-v7.1.zip点击进去就能看到cuda文件夹:
进入文件夹cuda,如下图所示。
文件夹cuda中有3个文件夹:bin、include、lib,和1个文件NVIDIA_SLA_cuDNN_Support.txt
选中文件夹cuda中的所有文件夹和文件,然后复制。
具体操作示意图如下图所示。
读者需要找到自己电脑的CUDA安装路径,如果上一章安装CUDA9.0是按照本文作者提示进行的,则路径应该和本文作者相同。
本文作者的CUDA安装路径:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
,如下图所示:
将文件夹cuda中复制的3个文件夹和1个文件复制到路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
具体操作示意图如下图所示。
注意,如果下图中的粘贴按钮不可使用,则重新复制文件夹cuda的3个文件夹和1个文件
如果读者操作正确,则粘贴后路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
中内容如下图所示。
从下图可以看出文件NVIDIA_SLA_cuDNN_Support.txt
已经被成功复制到该路径下。
bin、include、lib这3个文件夹和路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
中的文件夹做了合并。
5.安装tensorflow_gpu1.10
5.1运行pip install命令安装本地WHL文件
使用WHL文件安装python中的库,使用的WHL文件如下图所示。
在键盘按住win+R
的路径处输入cmd
,如下图所示,然后按Enter键进入cmd工具。
读者需要观察cmd此时所在的路径是否为WHL文件所在的路径,如下图所示。
在cmd
中输入命令:pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl
,然后按Enter键运行命令。
下图中上方红色箭头标注处表示cmd中运行的命令。
下图中下方红色箭头标注处表示成功安装。
5.2 运行pip install命令安装msgpack库
考虑到部分读者可能没有安装运行tensorflow必需的msgpack库。
在cmd中输入命令:pip install msgpack
,然后按Enter键运行命令。
到这里为止,所有需要安装的软件和库已经完成,接下来只需要测试运行环境能否使用。
6.测试运行环境
在键盘按住win+R
的路径处输入cmd
,如下图所示,然后按Enter键进入cmd工具。
输入python
,进入python环境。
输入以下测试代码:
import tensorflow as tf
hello1 = tf.constant('hello, tensorflow!')
session = tf.Session()
print(session.run(hello1))
第1次运行此命令时,程序需要大约2分钟自动配置tensorflow_gpu运行所需要的环境。
之后再运行此命令时,都不再需要重复配置tensorflow_gpu运行所需要的环境。
如果命令成功运行,结果如下图所示:
b'hello, tensorflow!'
7.总结
- 本文作者提供3个安装文件在百度云盘的下载链接,读者可以直接下载安装,省去了自己下载的麻烦。
- 本文详细介绍了tensorflow的gpu版本的安装细节,希望给入门深度学习的读者带来良好的起步。
- 如果读者对细节有疑问,可以在评论区留言。
- 不同读者的实际操作中,可能会遇到各种奇怪的困难,本文作者建议先将Nvidia相关驱动卸载干净后,重新安装Nvidia驱动,再实现本文当中的操作。
- 如果一直出现找不到tensorflow库的错误,本文读者提示可以使用
conda install tensorflow_gpu
的方法先解决环境问题,然后再conda uninstall tensorflow_gpu
,最后再实现本文当中的操作。 - 本文借鉴的是深度学习环境搭建-CUDA9.0、cudnn7.3、tensorflow_gpu1.10的安装,非常感谢该文的帮助,有需要的进一步查看该文的介绍。