Win10下安裝並使用tensorflow-gpu1.8.0+python3.6全過程分析(顯示卡MX250+CUDA9.0+cudnn)
-----最近從github上找了一個程式碼跑,但是cpu訓練的時間實在是太長,所以想用gpu訓練一下,經過了一天的折騰終於可以用gpu進行訓練了,嘿嘿~
首先先看一下自己電腦的顯示卡資訊:
可以看到我的顯示卡為MX250
然後進入NVIDIA控制面板->系統資訊->元件 檢視可以使用的cuda版本
這裡我先下載了cuda10.1的版本,不過後來我發現tensorflow-gpu 1.8.0僅支援cuda9.0的版本,所以之後我又重灌了一遍cuda9.0,中間還經歷了刪除cuda10.0,兩個版本的安裝都是一樣的。
進入官網:https://developer.nvidia.com/cuda-toolkit-archive 找到和顯示卡資訊相匹配的cuda(cuda是向下相容的)
下載完成後按照預設的執行下去(當然也可以修改安裝的路徑)在安裝時如果電腦裝有vs2017,那麼這裡建議取消VS
Integration
然後一步步往下執行
檢查cuda是否安裝成功:輸入nvcc --version
cuda的環境變數在安裝時自動配置了,所以不需要我們操心
下面安裝對應版本的cudnn:https://developer.nvidia.com/cudnn 在這個網站先建立賬戶,再下載對應版本的cudnn
cudnn下載完成後進行解壓,裡面有三個資料夾
將上面的三個資料夾覆蓋你之前安裝的cuda路徑下的相同名稱的資料夾(預設安裝的cuda和我截圖中的路徑一樣)
下面我們安裝tensorflow-gpu = 1.8.0
因為我安裝的版本比較老了,現在最新的Anaconda已經裝不了了,這裡把我的Anaconda版本是Anaconda3-5.1.0-Windows-x86_64,使用的python版本是3.6 安裝的時候記得把環境變數勾選上,這樣就不用自己配置了
安裝完成後建立一個名稱為tensorflow的環境: conda create --name tensorflow python=3.6
然後進入tensorflow環境中正式安裝tensorflow-gpu
然後輸入命令:
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.8.0
等待安裝完成即可
下面進行tensorflow-gpu的測試
建立一個python檔案,程式碼如下:
import tensorflow as tf with tf.device('/cpu:0'): a = tf.constant([1.0,2.0,3.0],shape=[3],name='a') b = tf.constant([1.0,name='b') with tf.device('/gpu:0'): c = a+b sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True)) sess.run(tf.global_variables_initializer()) print(sess.run(c))
在剛才啟用的tensorflow環境下進行執行:python + 檔名
結果如下:
-----然後我運行了一下之前用cpu訓練的程式碼,gpu訓練的速度就是快,原先cpu要訓練七八個小時的程式碼,gpu一個小時不到跑完了,還是爽啊,雖然我知道我的顯示卡很垃圾,,,,
可以看到顯示卡使用的情況了,哈哈哈~~
總結
以上所述是小編給大家介紹的Win10下安裝並使用tensorflow-gpu1.8.0+python3.6全過程(顯示卡MX250+CUDA9.0+cudnn),希望對大家有所幫助!