【深度学习笔记】tensorflow-gpu1.13 + Win10 + CUDA10.1 + CUDNN7.5.0 + Python3.7 + VS2019安装

目 录

1 准备工作

Win10上搭建TensorFlow的开发环境需要至少需要安装3个软件，分别为：1.python，2.CUDA和CuDNN，3.TensorFlow（GPU版）。安装前一定要确认好每个软件的版本是否相互支持。

1.1（坑一）确认电脑上没有安装tensorflow的CPU版本，有的话要先卸载

1.2（坑二）更新自己的显卡驱动

因为刚刚重装了电脑发现显卡驱动竟然丢了，那还怎么用GPU，赶紧到官网下载最新的，否则会报错：cudaGetDevice() failed. Status: CUDA driver version is insufficient for CUDA runtime version

也可以在命令行运行命令nvidia-smi查看自己的显卡状态是否有问题

1.3 查看python版本

import sys 
sys.version

‘3.7.3 (v3.7.3:ef4ec6ed12, Mar 25 2019, 22:22:05) [MSC v.1916 64 bit (AMD64)]’

1.4 查看GPU版本

我的电脑 -> 属性 -> 设备管理器 -> 显示适配器，我的版本是NVIDIA GeForce GTX 1050 with Max-Q Design

1.5 查看Tensorflow版本

GitHub：https://github.com/tensorflow/tensorflow/releases

Pypi：https://pypi.org/project/tensorflow/#history

1.6 查看版本支持

windows和VS的CUDA支持：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html

可以看到CUDA10.1支持win10和VS2019的版本

目前官网上没有给出py3.7和tensorflow1.13的支持，但是有看到网友成功安装的帖子，所以这里进行试装

GPU的CUDA支持：https://developer.nvidia.com/cuda-gpus

显示支持6.1以上版本

2 安装CUDA Toolkit 10.1

下载地址：https://developer.nvidia.com/cuda-toolkit-archive

运行cuda_10.1.105_418.96_win10.exe，修改安装路径，之后会进行兼容性检查（按照上面对应的版本应该是没有问题的），同意许可协议后选择自定义安装

取消勾选NVIDIA GeForce Experience（这里可能会有点卡，稍等一会）

选择安装路径

显示缺少VS支持，点击链接安装VS（选择通用Windows平台开发、使用C++的桌面开发、Python开发和Visual Studio 扩展开发），安装过程耗时较长，不要认为是卡了

安装好Visual Studio后再重新安装CUDA，过程中会有几次重启（自动安装NVIDIA Nsight HUD Launcher 2019.1）

提示Visual Studio2015/2013/2012未安装，不用管，点击下一步。重启后安装完成。

命令行输入nvcc -V，如果输出是 CUDA 版本信息，则说明安装成功

3 安装cuDNN v7.5.0 (Feb 25, 2019), for CUDA 10.1

CuDNN下载地址：https://developer.nvidia.com/rdp/cudnn-download(简单注册后即可下载）

把下载好的压缩包解压后得到三个文件夹，拷贝到CUDA的安装目录下（“C:\NVIDIA\CUDAv10.0”）

4 配置环境变量

控制面板 -> 系统和安全 -> 系统 -> 高级系统设置 -> 高级 -> 环境变量

确认环境变量，CUDA_PATH和CUDA_PATH_V10已经存在

依此添加下列三个路径到Path里

C:\NVIDIA\CUDAv10.1\bin

C:\NVIDIA\CUDAv10.1\include

C:\NVIDIA\CUDAv10.1\lib\x64

5 安装tensorflow1.13(with Anaconda)

第一次安装的时候是这么装的，后来重做了系统没有安装Anaconda，用的后一种方法，后面实例也是按照后一种来的，如果不想用Anaconda安装，直接跳到下一部分即可

打开Anaconda Prompt，配置清华仓库镜，输入

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

创建运行环境，输入

conda create -n tensorflow-gpu python=3.7    # 新建一个名字叫tensorflow-gpu，python版本为3.7的运行环境

输入“y”安装提示需要安装的包

激活并进入环境，使后续指令在激活的环境中生效，输入

conda activate tensorflow-gpu

升级pip到最新版，防止稍后的安装时，出现错误，输入

python -m pip install --upgrade pip

安装需要的tensorflow版本（查了一下有4个代码，因为以前没有安装过所以用了第一条，其余的可以视自己的情况决定用哪条命令）

pip install tensorflow-gpu    # 默认为最新版本（安装时正好是1.13，如需其他版本如1.12.0输入pip install tensorflow-gpu==1.12.0即可）
pip install --upgrade tensorflow-gpu    # 更新tensorflow-gpu
pip install --ignore-installed --upgrade tensorflow-gpu    # 更新tensorflow-gpu，忽略已经安装的部分
pip install --force-reinstall --upgrade tensorflow-gpu    # 更新tensorflow-gpu，先卸载已经安装的部分

至此全部安装完毕

6 直接安装tensorflow(without Anaconda)

6.1 查看CPU的指令集

先查看自己CPU是否支持AVX2指令集，可以通过下载CPU-Z检测：

http://download.cpuid.com/cpu-z/cpu-z_1.87-cn.exe

可以看到这台电脑支持AVX2指令集

6.2 下载对应版本的tf

https://github.com/fo40225/tensorflow-windows-wheel

找到对应的版本

分别下载001和002（如果不支持下载SSE2的版本）

下载完成之后解压得到tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl

安装tensorflow

以管理员身份打开命令行

进入 .whl 文件的目录

通过pip命令安装 .whl 文件

7 试用Tensorflow-gpu

进入ipython并输入以下代码

import tensorflow as tf

查看CUDA是否可用

a = tf.test.is_built_with_cuda()
print(a)

显示True说明可用

查看GPU是否可用

b = tf.test.is_gpu_available(cuda_only = False, min_cuda_compute_capability = None)
print(b)

显示True说明可用

7.1 测试1

打开ipython输入

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))

输出

b'Hello, TensorFlow!'

7.2 直接在jupyter中测试tensorflow-gpu

在运行代码前我们打开任务管理器 -> 性能，查看当前GPU的状态，正常情况下你没运行什么程序，GPU利用率什么的都是0

之后运行下面的代码

import tensorflow as tf
 
with tf.Session(config = tf.ConfigProto(allow_soft_placement = True, log_device_placement = True)) as sess:
    # allow_soft_placement=True 表示使用gpu不能使用gpu时使用cpu
    # log_device_placement=False 不打印日志，不然会刷屏，为了查看是否使用gpu，我们设置为True
    a = tf.constant(1)
    b = tf.constant(3)
    c = a + b
    print('结果是：%d\n 值为：%d' % (sess.run(c), sess.run(c)))

我们再查看GPU的状态可以发现利用率发生了变化，说明确实用到了GPU

同时也可以确认命令行中的运行日志看到使用了GPU