之前一直在用cpu版本的,由于新换了一台1660ti卡的笔记本于是研究了一下怎么装gpu版本的tensorflow下面进入正文。
Anaconda是一个开源的包、环境管理器,可以用于在同一个电脑上安装不同版本的软件包,并能够在不同的环境之间切换,Anaconda不是语言,它只是python的一个集成管理工具或系统,我们只需要安装Anaconda就可以了,甚至不用单独去安装python。
我们在使用过程中会出现conda,实际上这是一个可执行的命令,它的重要的功能就是包管理与环境管理,包管理也就是下载众多packages和科学计算工具等,环境管理就是用户可以安装不同版本的python来进行快速切换。安装anaconda让我们省去了大量下载模块包的时间,更加方便。
Tensorflow是广泛使用的实现机器学习以及其它涉及大量数学运算的算法库之一。Tensorflow由Google开发,是GitHub上最受欢迎的机器学习库之一。
另外我也将在另外的博文中介绍pytorch框架的搭建。
该教程不需要额外安装cudatoolkit和cudnn的,因为在使用conda安装tensorflow的时候,cuda会自动帮你安装,只需要确认电脑的显卡的cuda版本高于tensorflow所需要的cuda版本即可
1:下载地址:官网(国内速度较慢100M网速自测200kb/s):https://www.anaconda.com/products/individual.
建议使用:清华大学开源软件镜像站(速度较快100M网速自测10mb/s):
链接: 清华大学开源软件镜像站.
官网界面如下:
清华大学开源软件镜像站界面如下:
请下载Windows Python3.8版本的,64位还是32位根据自己电脑情况,一般为64位,右击我的电脑属性可以查看。
2.anaconda安装过程一路next,这里建议just me
3.这里建议不安装在C盘,占用空间过大。但是不要安装在包含空格和中文的路径下
4.建议勾选第一项,勾选的话,能直接在cmd中使用conda、jupyter、ipython等命令,不勾选的话,也可以在之后使用Anaconda提供的命令行工具进行操作,这个其实勾不勾选问题都不大,建议不勾选,未勾选的话后续进行tensorflow-gpu的配置不会出现问题。
1:接上一步,点击电脑左下角开始找到我们安装的Anaconda3文件夹并且单机Anaconda Prompt打开
新出现的几个东西都是什么呢?
Anaconda Navigator 是Anaconda可视化的管理界面。
Anaconda Prompt 是一个Anaconda的终端,可以便捷的操作conda环境,类似于cmd的命令行工具
Jupyter Notebook 是一个交互式笔记本,支持运行40多种编程语言。IPython notebook是一个基于IPython REPL的web应用,安装IPython后在终端输入ipython notebook即可启动服务。jupyter是把IPython和Python解释器剥离后的产物,将逐渐替代IPython独立发行。
Spyder 是一个使用Python语言的开放源代码跨平台科学运算IDE。Spyder可以跨平台,也可以使用附加组件扩充,自带交互式工具以处理数据。
2:检查一下自己电脑的CUDA版本
我们首先要知道的是高版本的cuda是可以兼容低版本的cuda的,比如我的电脑支持cuda11.0,我就可以安装cuda9/cuda10.0/cuda10.1等,但是如果我的电脑只支持cuda9那就不可以反过来安装cuda10.0。
打开NVIDIA控制面板,点击 帮助——>系统信息——>组件,查看自己电脑支持的cuda版本,我的笔记本显卡为GTX1660ti可以看到CUDA为11.0,那么我们知道tensorflow2.1.0的cuda需要10.1,那么我的笔记本电脑是可以支持低版本的cuda的。
Tensorflow-gpu | cuda | cudnn |
---|---|---|
Tensorflow2.1.0 | 10.1 | cuDNN v7.6 |
Tensorflow2.0.0 | 10.0 | cuDNN v7.6 |
3:配备tensorflow-gpu的虚拟环境
为了将tensorflow-gpu使用的环境与其他环境区分开,需要新建一个tensorflow-gpu的虚拟环境
打开anaconda prompt,输入
conda create -n tf_gpu
tf_gpu为新建的虚拟环境的名称,可以自定义
然后切换到该新建的虚拟环境下,使用命令:
conda activate tf_gpu
如果可以看到如下变化则证明切换成功,前边括号由base变为你自定义的虚拟环境
4:配置清华镜像
首先把下边三个命令复制进创建的虚拟环境下的命令行
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
之后把下边五个命令复制进命令行
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
5:Tensorflow的下载
在打开的tf_gpu的虚拟环境下输入
conda install tensorflow-gpu==2.1.0
输入Y进行下载即可
6:tensorflow-estimator版本匹配
在我多次安装过程下都出现了一个错误,经过查询后发现是因为tensorflow-estimator和我们下载的tensorflow-gpu的版本不同,需要配置tensorflow-estimator为2.1.0版本。
在打开tf_gpu虚拟环境下输入
pip uninstall tensorflow-estimator##卸载tensorflow-estimator版本
之后执行
pip install tensorflow-estimator==2.1.0
我们可以在打开tf_gpu虚拟环境下键入conda list
来查看我们的版本是否匹配,发现版本是匹配的,
同时错误也消失了
7:测试tensorflow-gpu是否安装成功
证明方法1:在tf_gpu虚拟环境下输入python
在打开python下输入
import tensorflow as tf
print(tf.__version__)
A = tf.constant([[4, 3], [2, 1]])
B = tf.constant([[6, 5], [4, 3]])
C = tf.matmul(A, B)
print(C)
回车如果输出
tf.Tensor(
[[36 29]
[16 13]], shape=(2, 2), dtype=int32)
证明运行成功~~
证明方法2:
在打开tf_gpu的编译环境下运行代码
import tensorflow as tf
print(tf.test.is_gpu_available())
如果结果为True则运行成功
后续博文会发布pytorch gpu版本的安装教程。
1 打开
打开后更改为我们的tf_gpu的虚拟环境,并且下载spyder下载后
点击launch打开即可使用,同样可以使用刚才的代码进行测试。一定要改到我们的gpu环境下运行
有任何问题可以留言交流,一起学习