日萌社
人工智能AI:Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战(不定时更新)
安装
Anaconda3 python 3.7、TensorFlow2、CUDA10、cuDNN7.6.5
window下安装 Keras、TensorFlow(先安装CUDA、cuDNN,再安装Keras、TensorFlow)
下载NVIDIA驱动:https://www.geforce.cn/drivers
TensorFlow2.0需要cuda10,所以应该装410.48以上版本驱动
CUDA、cuDNN百度盘下载
链接:https://pan.baidu.com/s/19R-SdGCy8klKjYQhckGTew
提取码:ug14
CUDA、tensorflow版本清单:https://tensorflow.google.cn/install/source#linux
CUDA下载:https://developer.nvidia.com/cuda-toolkit-archive
CUDA、cuDNN、tensorflow版本要求清单
注意:使用cuDNN v7.4.2.24可能会报错(亲测),但使用cuDNN v7.6.5.32的话,并不会出现“cuDNN v7.4.2.24可能会出现的”报错,虽然官网推荐组合是cuDNN v7.4.2.24,但建议使用cuDNN v7.6.5.32
测试GPU是否能正常运行tensorflow
>>> import tensorflow as tf
>>> tf.test.is_gpu_available()
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)
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 cpu_run():
with tf.device('/cpu:0'):
c = tf.matmul(cpu_a, cpu_b)
return c
def gpu_run():
with tf.device('/gpu:0'):
c = tf.matmul(gpu_a, gpu_b)
return c
# warm up
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)