一 硬件检查
1 显卡条件
- 不管是笔记本还是台式机,或者云服务都必须有独立显卡,而且最好是N卡,及NVIDIA版本的;
- 显卡计算力:不同显卡的计算力是不一样的,而tensorflow在1.10.0之前最低计算力在3.0;而TensorFlow 1.11.0版本后,TensorFlow 提高了对显卡的要求,由原来的3.0提高到了3.7。
- 根据自己显卡型号,检查GPU的计算力大小,参考网站NVIDA CUDA显卡计算能力对应表
2 显卡驱动
- 很多不经常用到显卡性能的,可能电脑上根本就没装显卡驱动,所以一定要先把显卡驱动装上,不然后面会报这种错误:“no CUDA-capable device is detected”
- 在NVIDIA官网上下载适合自己gpu型号的驱动:NVIDIA 驱动程序下载,如下图进行选择
二 cuda和cudnn安装
1 cuda安装
- 默认大家安装了anaconda版的python包,这个很好安装。根据之前安装的NVIDIA驱动版本选择合适的cuda版本,见下图:
提醒一下,不用选太高的cuda版本,太高反而会兼容性不好,我选的就是cuda9.0版的。另外cuda版本也影响到tensorflow版本的选择,这个后面安装tensorflow时细说 - cuda历史版本下载地址(https://developer.nvidia.com/cuda-toolkit-archive )
- 安装包下载后,一路默认安装就好。检查是否安装成功,在命令行输入:nvcc -V,出现下图说明安装成功!
2 cudnn安装
- cudnn下载地址(https://developer.nvidia.com/rdp/cudnn-archive )
- 下载cudnn包需要登录帐号,如果没有注册一个就好了,很容易。根据cuda版本选择对应的cudnn版本,另外不同系统,选择的子型号也不同。万一你用的是云服务器,没有找到对应的版本,没关系,比如我之前也是用的云服务器,系统是Windows-server 2012 X64,我选得就是Windows7版本的。
- 下载的不是安装包,而是压缩文件,解压后将对应的文件拷贝到cuda安装路径对应的目录中,如果安装cuda时没有修改安装路径,执行以下操作:
- 复制 cudnn\bin\cudnn64_5.dll 到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin\
- 复制 cudnn\include\cudnn.h 到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include\
- 复制 cudnn\lib\x64\cudnn.lib 到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64\
三 tensorflow安装
1 版本选择
如下图,不同cuda版本对应不同的tensorflow版本:因为我安装的是cuda9.0,所以我选择了1.12.0版本。
2 tensorflow代码安装
在cmd下输入如下代码:(因为原地址下载太慢了,所以使用清华的源下载)
pip install tensorflow-gpu==1.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
3 代码测试
import tensorflow as tf
a = tf.constant([1.0,2.0,3.0],shape = [3], name='a')
b = tf.constant([1.0,2.0,3.0], shape = [3], name='b')
c = a +b
sess = tf.Session(config = tf.ConfigProto(log_device_placement =True))
print(sess.run(c))
输出结果如下:
4 查看gpu使用情况
将路径下:C:\Program Files\NVIDIA Corporation\NVSMI,中的nvidia-smi.exe文件拖到cmd窗口回车,如下图: