版權聲明:本文為部落客原創文章,轉載請表明本文出處。 https://blog.csdn.net/kebi199312/article/details/86549637
下述方法沒有采用在Anaconda環境下安裝Tensorflow-gpu,而是在windows PowerShell裡用pip install安裝Tensorflow-gpu
配置環境
win7旗艦版,處理器:i5-7500 [email protected],記憶體8GB,64位作業系統
顯示卡:GeForce GTX 1050
VS2013
部落客在安裝Tensorflow-gpu時,沒有具體檢視Tensorflow-gpu版本以及對應的CUDA、cuDNN,導緻出現了很多錯誤,在試過很多次後,發現Tensorflow-gpu 1.8.0與CUDA9.0、cuDNN7.1.4安裝成功,且能完美運作!
1、安裝python
Python安裝3.5.2的比較合适,安裝時記得勾上add python to Path 選項,同時把Python的安裝路徑添加到系統環境變量的Path變量中。
安裝完成後,打開windows PowerShell,輸入“python”,可以檢視python的版本。
2、安裝CUDA9.0
在安裝CUDA時,應先檢視NVIDIA的屬性,選擇适當的CUDA版本。打開“NVIDIA 控制台”--“系統消息”--“元件”,可以檢視NVIDIA 支援的CUDA版本。
這裡選擇安裝CUDA9.0,CUDA9.0的下載下傳位址:https://developer.nvidia.com/cuda-90-download-archive。
安裝時選擇自定義安裝,安裝位置自定,我的安裝位置如下(下面的環境變量設定都是基于我的安裝位置):
CUDA Development:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0
Samples:E:\Program files\NVIDIA\CUDA Samples\v9.0
CUDA Documentation:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0
安裝完成後,可以看到系統環境變量會出現CUDA_PATH;但是這樣不能直接通路CUDAbin和lib\x64下的程式包,是以還需添加兩個路徑:
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin;
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
為了驗證CUDA是否安裝成功:
第一種:打開cmd在指令行輸入:nvcc –V,出現即為安裝成功:
第二種:編譯cuda9.0自帶的samples,用vs2013打開Samples_vs2013.sln,在Release下,選中解決方案Samples_vs2013進行編譯
第三種,指令行中運作C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi.exe,可以得到GPU運作時的監測界面,則CUDA安裝成功
同時我們還需要在環境變量中添加如下幾個變量:
CUDA_SDK_PATH = E:\Program files\NVIDIA\CUDA Samples\v9.0
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
3.安裝Tensorflow-gpu
接下來就是利用pip安裝Tensorflow-gpu,指令行工具用管理者身份打開windows Power shell,輸入pip install tensorflow-gpu==1.8.0,或者下載下傳好離線的.whl檔案,打開指令行,cd到.whl的檔案目錄,再用pip安裝,如下圖所示。
pip install tensorflow_gpu-1.8.0-cp35-cp35m-win_amd64.whl
安裝完成後,驗證tensorflow-gpu是否安裝成功,激活python環境,輸入:import tensorflow as tf,沒有報錯即為成功!
檢視tensorflow的版本,激活python環境,輸入tf.__version__,即可檢視:
4、安裝cuDNN7.1.4
在NVIDIA官網下載下傳cuDNN7.1.4,需要新增賬號,下載下傳完後解壓縮,會生成cuda/include、cuda/lib、cuda/bin三個目錄,分别将cuda/include、cuda/lib、cuda/bin三個目錄中的内容複制到E:\Program files\NVIDIA\CUDA Documentation Development\v9.0對應的include、lib、bin目錄下即可。
驗證cuDNN是否安裝成功:建立c++檔案,複制如下代碼:
#include <iostream>
#include <cuda_runtime.h>
#include <cudnn.h>
using namespace std;
void main()
{
cudnnHandle_t handle;
cudnnStatus_t t = cudnnCreate(&handle);
cout << cudnnGetErrorString(t);
getchar();
}
在項目的屬性裡輸入如下路徑:
包含目錄配置:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin
庫目錄裡配置:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
連結器—輸入,配置cudnn.lib;
調試出現:CUDNN_STATUS_SUCCESS,則cudnn安裝成功了。
為了驗證Tensorflow-gpu與CUDA9.0和cuDNN 是否比對成功,運作python檔案,出現下圖資訊,即運作gpu成功!
至此,Tensorflow-gpu 1.8.0、CUDA9.0及對應cuDNN 7.1.4安裝且配置成功。使用GPU計算是深度學習計算的基礎,配置成功以後,深度學習計算速度使用GPU将更快了。
出現的問題
寫在最後,出現的問題彙總:
- Tensorflow1.11.0 版本及以上版本會讓 CuDNN 7.0.5 報錯;
- Tensorflow-gpu 1.12.0與CUDA9.0、cuDNN7.1.4安裝能成功,但是運作有些程式的時候會報錯:
Loaded runtime CuDNN library: 7.1.4 but source was compiled with: 7.2.1
也就是需要安裝cuDNN7.2.1,也可把tensorflow-gpu 降級:
pip install --upgrade --force-reinstall tensorflow-gpu==1.x.0
x是對應的tensorflow-gpu的版本;
- 安裝tensorflow-gpu時盡量安裝低版本。