Windows 10 安装使用TensorFlow-GPU

Windows 10 安装使用TensorFlow-GPU

 

当前环境描述：Win10 64位，Python3.6

目标：安装使用TensorFlow1.6-GPU

所需文件：Cuda9.0、Cudnn7.0

注意：安装Cuda9.1 & Cudnn7.1的环境下将不能正常使用TF1.6-GPU

 

Tensorflow 官网安装描述如下：

网址：https://tensorflow.google.cn/install/install_windows

 

 

 

步骤：
1、下载安装Cuda9.0

网址：https://developer.nvidia.com/cuda-90-download-archive?target_os=Windows&target_arch=x86_64&target_version=10

注意：搜索CUDA进入下载界面默认下载最新的9.1版本，

步骤：搜索cuda9，进入后点击下载，下载完成直接安装即可

 

 

2、下载安装Cudnn7.0、添加进path

网址：https://developer.nvidia.com/rdp/cudnn-download

注意：下载Cudnn会需要注册，并且完成问卷调查

步骤：下载完成后为安装包形式，解压后为复制到cuda9.0的路径

Cuda9.0默认路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

 

3、安装TF1.6-GPU

步骤：直接pip install --upgradetensorflow-gpu

 

4、验证测试

安装好后打开python，

引用tensorflow，新建一个常量，再打印出来

语句如下：

import tensorflow as tf

hello = tf.constant('Hello, TensorFlow!')

sess = tf.Session()

print(sess.run(hello))

 

若安装成功则会再运行sess = tf.Session()的时候出现自己的GPU型号等信息

截图如下：

 

 

 

 

如果不能正常使用：

1、检查所有的版本是否正确，当前版本 win10 64位、python3.6、cuda9.0、cudnn7.0、tensorflow1.6-gpu

2、确认cuda的环境变量已经添加、如果还是不行再将cudnn解压后的cudnn/bin路径添加到环境变量

 

cuda 9.0 + vs2015 环境搭建

2017年11月06日 15:29:01

阅读数：8075

cuda 9.0 + vs2015

总结：搭建还算顺利，全自动，没毛病

系统硬件属性： win7 64位 + GTX960 +内存16G

先下载安装vs2015，当然vs2017也是可以的，cuda9.0支持2017

cuda 9.0 下载地址： https://developer.nvidia.com/cuda-downloads

我配置如下：

点击下载本地版。

下载结束后，点击exe运行安装：

路径自己定义，这边我制定到我自己的E盘 ，解压的时候出现无法创建 d3dcompiler_47.dll的文件，我就重新安装到D盘，就没事了，具体不知道什么原因，这里记录一下。

下面可以选择精简也可以自定义安装，需要几分钟时间，一般不会有什么问题。

安装结束后会有一个提示框，勾选那三项，会直接运行安装好的程序和显示cuda vs的sample。

点击2015vs 的sln工程文件，会初始化打开cuda vs sample工程，打开这个工程自己手动build一下，正常情况下不会有问题，直接生成exe，如果有问题看一下项目属性后需要配置一个属性，右键点击工程属性：

cuda目录要最终选择到版本号这个文件，比如我是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

点击应用，确定，然后开始build 这个项目，编译成功。我随便选了一个gl的项目

这边另外配置一点可以高亮cu文件和去掉提示错误的一个方法：

设置方法: 在VS2010的菜单 依次点击：“Tools|Options…|Text Editor|File Extension”，在这个 界面 里： “Editor” 下拉框 选“Microsoft Visual C++”，在“Extension”文本框 输入 .cu 点击“Add”按钮 ，重复工作把.cuh 添加为vc++类型，点击确定按钮。 把全部.cu文件关闭，再打开，.cu文件C++关键字就高亮了。

在Windows 10上搭建TensorFlow环境

在Windows 10上搭建TensorFlow环境

• 版权声明：本文为博主chszs的原创文章，未经博主允许不得转载。

了解如何为受支持的GPU测试Windows系统，安装和配置所需的驱动程序，获取最新的TensorFlow每日构建版并确保其正常工作。

在前面的文章中，我展示了如何测试你的Linux系统，看看你是否能够按照带GPU支持的TensorFlow。在本文中，我将介绍如何在Windows 10上搭建TensorFlow环境。

同样，仍然需要Python环境和pip工具。

1、获取Python和pip

在Windows环境安装Python 3.x版本，通常安装包中集成了pip工具，安装会非常简单方便。具体见：https://www.python.org/downloads/windows/

一旦下载并执行，需要确保选择安装的自定义选项。可以看到如下界面：

【CUDA】CUDA9.0+VS2017+win10详细配置

---

  CUDA9.0是目前最新的Cuda版本，VS2017也是目前最新的Visual Studio版本，当前（2017/09）网上很少有CUDA9.0+VS2017的配置。

  为什么非要用CUDA9.0呢？因为CUDA8.0是与VS2017不兼容的，就是说如果想用CUDA8.0，必须使用VS2015以下的VS版本。好消息是CUDA9.0开始兼容VS2017，以后CUDA9.0+VS2017将会成为一种趋势。

  在参考以前的成功配置案例后，博主决定写写最新的配置教程，以供大家参考。

---

CUDA9.0安装：

  CUDA(Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA™的处理器上以超高性能运行。

  首先是CUDA9.0RC的下载：https://developer.nvidia.com/cuda-release-candidate-download，由于还是测试版，所以需要NVIDIA开发人员计划的成员资格。需登录以获取访问权限并完成此免费加入程序的简短申请(网盘或者贴吧是很好的资源…）。

  下载后我们将会得到这个exe文件：

  下面是安装过程（按照默认安装）：

  在安装CUDA9.0之前，本人已经是安装好了VS2017,所以系统检查时显示无误，绿灯通过。

  接下来就是同意继续下一步，等待CUDA安装的结束。

  PS:如果要卸载旧版本的CUDA，可在控制面板中选择“程序和功能”，选择应用程序后右键卸载。至于注册表问题是否需要变动，博主卸载CUDA8.0后安装CUDA9.0并未发现问题。如果大家在安装过程中遇到问题，可百度或谷歌如何操作。

---

设置环境变量：

  安装结束后，我们在计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量。

  我们还需要在环境变量中添加如下几个变量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\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 

• 1
• 2
• 3
• 4
• 5

  设置完成之后，我们可以打开cmd来查看。

  下一步是监测cuda安装成功与否:

  在cuda安装文件夹中有deviceQuery.exe 和 bandwidthTest.exe两个程序。首先启动cmd DOS命令窗口，默认进来的是c:\users\Admistrator>路径，输入 cd .. 两次，来到c:目录下输入dir 找到安装的cuda文件夹。

  分别输入deviceQuery.exe 和 bandwidthTest.exe，运行结果如图所示。Rsult=PASS则说明通过，反之，Rsult=Fail 则需要重新安装。

  如果以上都没问题，则说明CUDA9.0安装成功。下一步是在VS2017平台上配置CUDA9.0。

---

VS2017配置：

  1.打开vs2017，我们可以观察到，在VS2017模板一栏下方出现了“NVIDIA/CUDA 9.0”。创建一个空win32程序,即cuda_test项目。

  2.右键源文件文件夹->添加->新建项->选择CUDA C/C++File，取名cuda_main。

  3.选择cuda_test，点击右键–>项目依赖项–>自定义生成，选择CUDA9.0。

  4.点击cuda_main.cu的属性,在配置属性–>常规–>项类型–>选择“CUDA C/C++”。

---

项目配置：

1.x64

 1.1 包含目录配置
  1.右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
  2.添加包含目录：
   $(CUDA_PATH)\include

 1.2 库目录配置
  1.VC++目录–>库目录
  2.添加库目录：
   $(CUDA_PATH)\lib\x64

 1.3 依赖项
   配置属性–>链接器–>输入–>附加依赖项
   添加库文件：
    cublas.lib
    cuda.lib
    cudadevrt.lib
    cudart.lib
    cudart_static.lib
    nvcuvid.lib
    OpenCL.lib

  注意：添加nvcuvenc.lib库文件，编译时，报找不到该文件的错误。去掉后，程序也能运行

2.x86(win32)

 2.1 包含目录配置

  右键点击项目属性–>属性–>配置属性–>VC++目录–>包含目录
  添加包含目录：
   $(CUDA_PATH)\include

 2.2 库目录配置
  1.VC++目录–>库目录
  2.添加库目录：
   $(CUDA_PATH)\lib\Win32

 2.3 依赖项
   配置属性–>连接器–>输入–>附加依赖项
   添加库文件：
    cuda.lib
    cudadevrt.lib
    cudart.lib
    cudart_static.lib
    nvcuvid.lib
    OpenCL.lib

  备注： win32和x64位的lib库有差别，配置时需注意，除了上述添加的lib文件外，x64还有其他的lib库文件，如cublas.lib,如运行1.6的样例时，要添加这个库，不然会编译失败。

---

测试

// CUDA runtime 库 + CUBLAS 库   
#include "cuda_runtime.h"  
#include "cublas_v2.h"  

#include   
#include   

using namespace std;  

// 定义测试矩阵的维度  
int const M = 5;  
int const N = 10;  

int main()   
{     
    // 定义状态变量  
    cublasStatus_t status;  

    // 在 内存 中为将要计算的矩阵开辟空间  
    float *h_A = (float*)malloc (N*M*sizeof(float));  
    float *h_B = (float*)malloc (N*M*sizeof(float));  

    // 在 内存 中为将要存放运算结果的矩阵开辟空间  
    float *h_C = (float*)malloc (M*M*sizeof(float));  

    // 为待运算矩阵的元素赋予 0-10 范围内的随机数  
    for (int i=0; ifloat)(rand()%10+1);  
        h_B[i] = (float)(rand()%10+1);  

    }  

    // 打印待测试的矩阵  
    cout << "矩阵 A :" << endl;  
    for (int i=0; icout << h_A[i] << " ";  
        if ((i+1)%N == 0) cout << endl;  
    }  
    cout << endl;  
    cout << "矩阵 B :" << endl;  
    for (int i=0; icout << h_B[i] << " ";  
        if ((i+1)%M == 0) cout << endl;  
    }  
    cout << endl;  

    /* 
    ** GPU 计算矩阵相乘 
    */  

    // 创建并初始化 CUBLAS 库对象  
    cublasHandle_t handle;  
    status = cublasCreate(&handle);  

    if (status != CUBLAS_STATUS_SUCCESS)  
    {  
        if (status == CUBLAS_STATUS_NOT_INITIALIZED) {  
            cout << "CUBLAS 对象实例化出错" << endl;  
        }  
        getchar ();  
        return EXIT_FAILURE;  
    }  

    float *d_A, *d_B, *d_C;  
    // 在 显存 中为将要计算的矩阵开辟空间  
    cudaMalloc (  
        (void**)&d_A,    // 指向开辟的空间的指针  
        N*M * sizeof(float)    //　需要开辟空间的字节数  
    );  
    cudaMalloc (  
        (void**)&d_B,      
        N*M * sizeof(float)      
    );  

    // 在 显存 中为将要存放运算结果的矩阵开辟空间  
    cudaMalloc (  
        (void**)&d_C,  
        M*M * sizeof(float)      
    );  

    // 将矩阵数据传递进 显存 中已经开辟好了的空间  
    cublasSetVector (  
        N*M,    // 要存入显存的元素个数  
        sizeof(float),    // 每个元素大小  
        h_A,    // 主机端起始地址  
        1,    // 连续元素之间的存储间隔  
        d_A,    // GPU 端起始地址  
        1    // 连续元素之间的存储间隔  
    );  
    cublasSetVector (  
        N*M,   
        sizeof(float),   
        h_B,   
        1,   
        d_B,   
        1  
    );  

    // 同步函数  
    cudaThreadSynchronize();  

    // 传递进矩阵相乘函数中的参数，具体含义请参考函数手册。  
    float a=1; float b=0;  
    // 矩阵相乘。该函数必然将数组解析成列优先数组  
    cublasSgemm (  
        handle,    // blas 库对象   
        CUBLAS_OP_T,    // 矩阵 A 属性参数  
        CUBLAS_OP_T,    // 矩阵 B 属性参数  
        M,    // A, C 的行数   
        M,    // B, C 的列数  
        N,    // A 的列数和 B 的行数  
        &a,    // 运算式的 α 值  
        d_A,    // A 在显存中的地址  
        N,    // lda  
        d_B,    // B 在显存中的地址  
        M,    // ldb  
        &b,    // 运算式的 β 值  
        d_C,    // C 在显存中的地址(结果矩阵)  
        M    // ldc  
    );  

    // 同步函数  
    cudaThreadSynchronize();  

    // 从 显存 中取出运算结果至 内存中去  
    cublasGetVector (  
        M*M,    //  要取出元素的个数  
        sizeof(float),    // 每个元素大小  
        d_C,    // GPU 端起始地址  
        1,    // 连续元素之间的存储间隔  
        h_C,    // 主机端起始地址  
        1    // 连续元素之间的存储间隔  
    );  

    // 打印运算结果  
    cout << "计算结果的转置 ( (A*B)的转置 )：" << endl;  

    for (int i=0;icout << h_C[i] << " ";  
            if ((i+1)%M == 0) cout << endl;  
    }  

    // 清理掉使用过的内存  
    free (h_A);  
    free (h_B);  
    free (h_C);  
    cudaFree (d_A);  
    cudaFree (d_B);  
    cudaFree (d_C);  

    // 释放 CUBLAS 库对象  
    cublasDestroy (handle);  

    getchar();  

    return 0;  
}  

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24
• 25
• 26
• 27
• 28
• 29
• 30
• 31
• 32
• 33
• 34
• 35
• 36
• 37
• 38
• 39
• 40
• 41
• 42
• 43
• 44
• 45
• 46
• 47
• 48
• 49
• 50
• 51
• 52
• 53
• 54
• 55
• 56
• 57
• 58
• 59
• 60
• 61
• 62
• 63
• 64
• 65
• 66
• 67
• 68
• 69
• 70
• 71
• 72
• 73
• 74
• 75
• 76
• 77
• 78
• 79
• 80
• 81
• 82
• 83
• 84
• 85
• 86
• 87
• 88
• 89
• 90
• 91
• 92
• 93
• 94
• 95
• 96
• 97
• 98
• 99
• 100
• 101
• 102
• 103
• 104
• 105
• 106
• 107
• 108
• 109
• 110
• 111
• 112
• 113
• 114
• 115
• 116
• 117
• 118
• 119
• 120
• 121
• 122
• 123
• 124
• 125
• 126
• 127
• 128
• 129
• 130
• 131
• 132
• 133
• 134
• 135
• 136
• 137
• 138
• 139
• 140
• 141
• 142
• 143
• 144
• 145
• 146
• 147
• 148
• 149
• 150
• 151
• 152
• 153
• 154
• 155
• 156
• 157

  运行结果如图所示，说明配置已经完成且能正常运行程序。

完成安装后，可以打开命令提示符并键入python，以查看您正在使用的版本。这里可以看到，我下载了3.6.4版：

然后可以退出Python解释器环境：

exit()

• 1
• 2

然后测试pip工具安装的情况：

pip -V

• 1
• 2

可以看到这样：

接下来，在安装TensorFlow之前，需要先检查主机的GPU是否支持，在命令提示符下，执行命令：

control /name Microsoft.DeviceManager

• 1
• 2

然后查看“显示适配器”设置，将其打开，然后阅读显示适配器的名称，如下：

正如你所看到的，主机系统有一个GTX 980 Ti。然后去NVIDIA官网查看信息，具体见：https://developer.nvidia.com/cuda-gpus，就可以知道是否可以使用带GPU支持的TensorFlow。这里已经确定是支持的。但是在安装和运行TensorFlow之前，需要为你的机器安装CUDA驱动。

2、安装CUDA驱动程序

要说明一点，目前TensorFlow的每日构建版提供了对CUDA 9.0的支持，而Release版则只能支持CUDA 8.0版。如果访问CUDA的下载网站，见：https://developer.nvidia.com/cuda-toolkit，可以看到CUDA目前的最新版本是9.1版，因此请确保通过选择下面的“Legacy Releases”链接来下载正确版本的驱动程序。

在运行TensorFlow之前，还需要一个与主机的CUDA版本相匹配的CuDNN版本。

3、安装TensorFlow

安装TensorFlow的Nightly Build版。从命令提示符下安装它，只需输入：

pip install tf-nightly-gpu

• 1
• 2

一旦安装完成，在命令提示符窗口中输入：

python

• 1
• 2

打开Python编辑器，在其中输入：

import tensorflow as tf

• 1
• 2

如果CUDA驱动程序有错误，就可能会显示 cudart64_XX.dll 失败，其中XX是版本号。

如果CUDA驱动程序正确，但CuDNN驱动程序有错误，就可能会显示说 cudnn64_X.dll 缺少什么东西，其中X是一个版本号。

4、安装CuDNN库

CuDNN库是CUDA针对深度神经网络的更新包，TensorFlow会使用它用于加速NVidia GPU上的深度学习。可以从这里下载，见：https://developer.nvidia.com/cudnn。

但必须首先要注册一个NVidia开发者帐号，它是免费的。登录后，您会看到各种CuDNN下载。然后选择匹配的版本。由于之前使用了CUDA 9.0，所以确定为CUDA 9.0选择了cuDNN v7.0.5。

下载下来的是一个包含了几个文件夹的ZIP文件，每个文件夹包含CuDNN文件（一个DLL，一个头文件和一个库文件）。找到你的CUDA安装目录，这里应该是这样的：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

• 1
• 2

可以看到从ZIP文件的目录也在这个目录，即有一个bin、一个include，一个lib等。将文件从ZIP复制到相关的目录。
比如把cudnn64_7.dll文件拖拽到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin目录，其它相似。

完成后，重新打开命令提示符窗口并再次测试TensorFlow！

import tensorflow as tf

• 1
• 2

然后，可以输入以下内容来检查TensorFlow版本：

print(tf.__version__)

• 1
• 2

可以看到TensorFlow的版本得以正确显示：