Tensorflow显卡深度学习环境搭建

python,深度学习,机器学习,tensorflow

文章目录

  • 安装python解释器
  • 安装cuda
    • 下载步骤
    • 安装步骤
    • 安装是否成功确认
  • 配置cudnn
  • 配置环境变量
  • 配置虚拟环境
  • 安装tensorflow

安装python解释器

由于这里需要安装tensorflow中的gpu版本,他对python解释器的版本要求比较严格,所以这里我们就选择python 3.7.0版本。
另外由于深度学习计算量比较大,所以python需要安装64位。
官网下载地址:https://www.python.org/downloads/windows/,选择版本见下图:

Tensorflow显卡深度学习环境搭建_第1张图片

在安装界面勾选上添加到path,这样python解释器就添加到了环境变量中

安装cuda

下载步骤

进入网页:https://developer.nvidia.com/cuda-toolkit-archive,选择cuda toolkit 10进行下载

Tensorflow显卡深度学习环境搭建_第2张图片
点击上图中的连接,进入下载界面,然后依次进行选择

Tensorflow显卡深度学习环境搭建_第3张图片
选择好之后,将会进行下载,我们选择的是本地安装,安装包有2g大小。

安装步骤

等下载完成之后,点击下载好的文件进行安装(注意:一定要确认自己的电脑有nvida的显卡),安装软件会弹出下面的界面:

Tensorflow显卡深度学习环境搭建_第4张图片
不进行修改,直接点击ok,然后软件会进行解压,如下图:

Tensorflow显卡深度学习环境搭建_第5张图片
然后弹出下面系统兼容性检测,等待检测结束。

Tensorflow显卡深度学习环境搭建_第6张图片

检测结束之后,会弹出下面的界面,点击同意

然后进入安装模式选择,选择自定义安装

去掉visual studio integration模型前的钩

去掉nvdia geforce experience 前面的钩和display driver前面的钩,然后点击下一步

进入安装路径界面,使用默认,点击下一步


最后等待安装完成

安装是否成功确认

确认nvcc是否存在

Tensorflow显卡深度学习环境搭建_第7张图片
在cmd中输入下面的命令:如果显示10.0,则证明nvcc没问题。

Tensorflow显卡深度学习环境搭建_第8张图片

确认cupti文件是否存在

Tensorflow显卡深度学习环境搭建_第9张图片

配置cudnn

进入网页https://developer.nvidia.com/rdp/cudnn-download下载cudnn,但是这个文件的下载需要注册nvida。具体下载文件选择见下图

Tensorflow显卡深度学习环境搭建_第10张图片

下载好之后,解压,内部文件如下:

Tensorflow显卡深度学习环境搭建_第11张图片
然后将该文件夹重命名为cudnn,复制到cuda文件夹的主目录下,见下图:

Tensorflow显卡深度学习环境搭建_第12张图片

确认下面的文件存在

Tensorflow显卡深度学习环境搭建_第13张图片

配置环境变量

对环境变量进行配置,保证下图中四个环境变量存在。
Tensorflow显卡深度学习环境搭建_第14张图片

配置虚拟环境

为了使得python的不同编译环境互不影响,所以这里使用了虚拟环境。使用pipenv建立虚拟环境,然后在其中进行下一步的安装。
为此需要先安装虚拟环境管理工具包:pipenv
打开cmd终端,使用代码pip install pipenv -i https://pypi.douban.com/simple进行安装。

上面的步骤可能需要使用管理员权限打开cmd

安装后进行虚拟环境的创建:

  1. 首先,在要创建虚拟环境的位置新建工作文件夹

  2. 然后, 在该文件夹下打开cmd终端,输入pipenv --three,创建虚拟环境,此时会在当前目录下生成文件Pipfile,用记事本打开,修改其中的安装源为https://pypi.douban.com/simple,保存。

  3. 最后,在cmd中使用代码pipenv shell激活当前虚拟环境,准备进行下一步的安装。

安装tensorflow

在激活的虚拟环境中,使用下面的命令安装模块
pipenv install --skip-lock numpy pandas matplotlib ipython jupyter

安装tensorflow的cpu和gpu版本,命令如下:
pipenv install --skip-lock tensorflow==2.0.0 tensorflow-gpu==2.0.0

如果直接安装最新的tensorflow版本,不知道什么原因总会出现错误,而安装2.0.0版本则可以正确运行,所以这里选择安装上面的版本。

上面的都安装完成之后,在当前的虚拟环境中,输入ipython进入ipython交互环境中,使用代码import tensorflow as tf导入tensorflow模块,如果不报错,则证明tensorflow安装成功。
然后验证gpu是否可以使用,输入代码tf.test.is_gpu_available()进行测试,输入该代码之后,如果没有问题,则会弹出当前使用的gpu部分信息,并最后输出True

你可能感兴趣的:(python,人工智能)