想用自己电脑的显卡跑深度学习的代码,首先要确定自己的显卡是不是支持CUDA,这很重要,下面是参考地址:
https://developer.nvidia.com/cuda-gpus
比如我的是 GeForce GTX 1060,是支持的,如图所示:
如果你的显卡是支持的,那么就可以开始下面的漫漫安装之路了,我安装包的版本是Win10、python3.6.5、tesorflow-gpu 1.8.0、CUDA 9.0、cuDNN 7.4.2。版本之间一定要匹配,如果不匹配后面会很麻烦,各种卸载重新安装。请一定要找对自己匹配的版本!!!这个非常重要!!!下面是tensorflow-gpu和python以及cuda、cudnn对应的版本表,请一定要仔细对照!
python安装就不再赘述了,可以参考下面的链接:
https://baijiahao.baidu.com/s?id=1606573927720991570&wfr=spider&for=pc
首先要先将自己电脑里面的tensorflow包卸载,命令行代码
pip uninstall tensorflow
然后安装tensorflow-gpu 1.8.0版本
pip install tensorflow-gpu==1.8 -i https://pypi.tuna.tsinghua.edu.cn/simple
安装CUDA
下面是下载链接:
https://developer.nvidia.com/cuda-toolkit-archive
这是我下载的安装版本
双击运行,可以自定义安装路径
选择“精简”
测试CUDA是否安装成功,nvcc -V
如上所示则表示安装成功!
之前我在安装的时候就把显卡搞没了,重新安装显卡驱动就可以,然后重新安装CUDA。安装过程中一路确定就可以。
安装cuDNN
下面是下载链接:
https://developer.nvidia.com/cuda-gpus
这是我的下载版本:
将这个文件解压到任意一目录下,再将这个目录添加到环境变量中的path中
这是我解压的目录:
OK!到这里就结束了!如果再安装keras,相对应的keras的版本是21.6。
下面是测试自己是否安装成功!
import tensorflow as tf
m1 = tf.constant([[2, 2]])
m2 = tf.constant([[3], [3]])
dot_operation = tf.matmul(m1, m2)
print(dot_operation) # 这里并没有结果
# 使用seesion ,方法1
sess = tf.Session()
result = sess.run(dot_operation)
print(result)
输出如下所示:
恭喜终于安装成功了!!可以在GPU上跑自己深度学习代码了。
下面的代码是查看自己的GPU和CPU
import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"
if __name__ == "__main__":
print(device_lib.list_local_devices())
输出:
如果你的输出只有cpu,没有GPU,并且用跑深度学习的代码报错,显示这个dll文件找不到,要将解压的cuda文件添加到path中,就可以了。
网上也有将cudnn文件中的三个文件粘到cuda相应的三个目录下,添加相应的环境变量,但是依然不行。