最近由于项目需要,要用到深度学习相关内容。从导师那儿拿了一块N卡替换掉了我那不能进行cuda加速的A卡。自己电脑是Ubuntu 16.04和win10双系统,但是平时科研也是win10用的多,且TensorFlow和Keras深度学习框架也都支持Windows,所以打算在win 10下配置gpu版的TensorFlow和Keras深度学习平台(主流深度学习框架参考我这篇博客)。具体流程如下: 整个python深度学习架构图如下所示:
我的安装配置信息:
好。接下来是安装流程:
1. 安装CUDA® Toolkit 8.0+cuDNN v6.0先确认自己的电脑是N卡及其型号,显卡的计算能力需要大于等于3.0,在这个网站查看自己电脑显卡的计算能力。 1.2 下载对应的cuDNN v6.0,下载链接:https://developer./rdp/cudnn-download 具体信息如下图: 1.3 安装CUDA® Toolkit 8.0,按照它的提示安装就好,提示选择路径时可以选择自己想要安装的路径。这个路径并不是安装路径,安装路径是默认安装在c盘的。安装过程中会默认安装它自带的驱动,安装就好,这个时候可能会安装错误,我这里的解决办法是把之前安装的那些N卡驱动统统给卸载掉再安装就可以了。安装完后,环境变量不需要自己添加,它已经给你添加好了。然后解压cuDNN v6.0,解压后得到一个cuda文件夹,里面有3个子文件夹,将这3个文件夹复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0下与原有的3个文件夹进行合并即可。
测试安装结果: 但是,这样并不代表安装成功了。等把CUDA_Samples示例编译通过不报错了,才能算是成功。这个网上有示例,这里不再赘述。
2. 安装anaconda集成环境2.1 去官网下载windows版本的Anaconda,我这里下载的是目前最新版本,Anaconda 5.0.1(python 3.6)。 2.2 安装anaconda:按照提示一步步安装就好,安装过程中会提示要不要添加环境变量,那个钩默认是没有钩上的,我这里选择了把它钩上,这样后面就不需要我们手动去添加环境变量了。 2.3 安装完毕后,在控制台输入pyhon显示提示信息则安装成功。如下图所示:
3. 安装gpu版本的tensorflow3.1 按照官网的提示,先生成TensorFlow的一个环境,目前TensorFlow已经支持python 3.6,我这里生成TensorFlow环境还是选择了python 3.5,考虑到python 3.5比较稳定。
具体如下图所示: 这里我们能看见一些生成TensorFlow环境需要额外安装的依赖包,还可以看见里面有我们熟悉的python 3.5版本。输入y进行下载安装,速度比较慢,慢慢等…
3.2 安装完成后,在电脑开始菜单中找到安装anaconda附带安装的Anaconda Navigator这个软件打开,在左边那一栏找到Environments,这时可以环境我们建立的tensorflow-gpu环境已经生成。如下图所示: 默认环境是root环境,我们建立的tensorflow-gpu环境目前还仅仅有少有的几个包,其中包括包管理pip,待会儿我们会用该工具安装tensorf,以后我们在tensorflow-gpu环境下安装的包都会显示该环境下。
3.3 安装gpu版本的tensorflow-gpu:建立tensorflow环境后,每次需要在该环境下工作,我们需要先激活它,使用如下代码:
不用时退回到root环境使用如下代码:
好,现在我们开始装tensorflow,先使用以上命令激活tensorflow-gpu环境。 cpu版本的tensorflow输入以下命令:
gpu版本的tensorflo输入以下命令:
如下图所示:
提示正在下载tensorfl_gpu,耐心等待下载安装就行。 到这里gpu版本的tensorflow就安装完了,接下来测试是否安装成功:
如下图所示:
3.4 安装spyder IDE:一款好的IDE能给项目开发带来极大的便利,接下来我们在tensorflow-gpu环境下安装spyder,激活tensorflo-gpu环境后在控制台使用包管理器conda安装spyder如下所示:
然后会相应的安装一连串的依赖包,按照提示输入y安装即可,接下来就是漫长的等待时间…
这时我们打开Anaconda Navigator,切换到tensorflow-gpu环境就可以看见我们已经在该环境下安装了依赖的许多包,接下来我们打开soyder测试tensorflow是否安装成功,如下图所示:
到这里基于cuda加速的tensorflow就算安装完了,接下来基于此安装Keras深度学习框架
4. 安装Keras安装套路和安装其他包一样套路相似,在控制台先激活tensorflow-gpu:
|
|