版权声明:本文为博主原创文章,转载请表明本文出处。 https://blog.csdn/kebi199312/article/details/86549637
下述方法没有采用在Anaconda环境下安装Tensorflow-gpu,而是在windows PowerShell里用pip install安装Tensorflow-gpu
配置环境
win7旗舰版,处理器:i5-7500 cpu@3.40Ghz,内存8GB,64位操作系统
显卡:GeForce GTX 1050
VS2013
博主在安装Tensorflow-gpu时,没有具体查看Tensorflow-gpu版本以及对应的CUDA、cuDNN,导致出现了很多错误,在试过很多次后,发现Tensorflow-gpu 1.8.0与CUDA9.0、cuDNN7.1.4安装成功,且能完美运行!
1、安装python
Python安装3.5.2的比较合适,安装时记得勾上add python to Path 选项,同时把Python的安装路径添加到系统环境变量的Path变量中。
安装完成后,打开windows PowerShell,输入“python”,可以查看python的版本。
2、安装CUDA9.0
在安装CUDA时,应先查看NVIDIA的属性,选择适当的CUDA版本。打开“NVIDIA 控制面板”--“系统消息”--“组件”,可以查看NVIDIA 支持的CUDA版本。
这里选择安装CUDA9.0,CUDA9.0的下载地址:https://developer.nvidia/cuda-90-download-archive。
安装时选择自定义安装,安装位置自定,我的安装位置如下(下面的环境变量设置都是基于我的安装位置):
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
安装完成后,可以看到系统环境变量会出现CUDA_PATH;但是这样不能直接访问CUDAbin和lib\x64下的程序包,因此还需添加两个路径:
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin;
E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
为了验证CUDA是否安装成功:
第一种:打开cmd在命令行输入:nvcc –V,出现即为安装成功:
第二种:编译cuda9.0自带的samples,用vs2013打开Samples_vs2013.sln,在Release下,选中解决方案Samples_vs2013进行编译
第三种,命令行中运行C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi.exe,可以得到GPU运行时的监测界面,则CUDA安装成功
同时我们还需要在环境变量中添加如下几个变量:
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.安装Tensorflow-gpu
接下来就是利用pip安装Tensorflow-gpu,命令行工具用管理员身份打开windows Power shell,输入pip install tensorflow-gpu==1.8.0,或者下载好离线的.whl文件,打开命令行,cd到.whl的文件目录,再用pip安装,如下图所示。
pip install tensorflow_gpu-1.8.0-cp35-cp35m-win_amd64.whl
安装完成后,验证tensorflow-gpu是否安装成功,激活python环境,输入:import tensorflow as tf,没有报错即为成功!
查看tensorflow的版本,激活python环境,输入tf.__version__,即可查看:
4、安装cuDNN7.1.4
在NVIDIA官网下载cuDNN7.1.4,需要注册账号,下载完后解压缩,会生成cuda/include、cuda/lib、cuda/bin三个目录,分别将cuda/include、cuda/lib、cuda/bin三个目录中的内容复制到E:\Program files\NVIDIA\CUDA Documentation Development\v9.0对应的include、lib、bin目录下即可。
验证cuDNN是否安装成功:新建c++文件,复制如下代码:
#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();
}
在项目的属性里输入如下路径:
包含目录配置:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\bin
库目录里配置:E:\Program files\NVIDIA\CUDA Documentation Development\v9.0\lib\x64
链接器—输入,配置cudnn.lib;
调试出现:CUDNN_STATUS_SUCCESS,则cudnn安装成功了。
为了验证Tensorflow-gpu与CUDA9.0和cuDNN 是否匹配成功,运行python文件,出现下图信息,即运行gpu成功!
至此,Tensorflow-gpu 1.8.0、CUDA9.0及对应cuDNN 7.1.4安装且配置成功。使用GPU计算是深度学习计算的基础,配置成功以后,深度学习计算速度使用GPU将更快了。
出现的问题
写在最后,出现的问题汇总:
- Tensorflow1.11.0 版本及以上版本会让 CuDNN 7.0.5 报错;
- Tensorflow-gpu 1.12.0与CUDA9.0、cuDNN7.1.4安装能成功,但是运行有些程序的时候会报错:
Loaded runtime CuDNN library: 7.1.4 but source was compiled with: 7.2.1
也就是需要安装cuDNN7.2.1,也可把tensorflow-gpu 降级:
pip install --upgrade --force-reinstall tensorflow-gpu==1.x.0
x是对应的tensorflow-gpu的版本;
- 安装tensorflow-gpu时尽量安装低版本。
更多推荐
windows7+Tensorflow-gpu1.8.0+CUDA9.0+cuDNN7.1.4的安装配置
发布评论