物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境

  • 作者简介:关注AIoT领域的嵌入式开发一枚,追逐未来时代的脉搏,记录路途中的技术成长
  • 本文由机器未来原创,首发在CSDN
  • 订阅专栏:物体检测快速入门系列
  • 面向人群:具备深度学习理论基础的学生或初级开发者
  • 专栏计划:接下来会逐步发布跨入人工智能的系列博文,尽情期待
  • 14天快速入门Python系列
  • 快速入门Python数据科学系列
  • 人工智能开发环境搭建系列
  • 机器学习系列
  • 物体检测快速入门系列
  • 自动驾驶物体检测系列
  • 如果觉得博主的文章还不错的话,请点赞+收藏⭐️+留言支持一下博主哦

文章目录

  • 1. 概述
  • 2. GPU工具链安装
    • 2.1 GPU工具链的组成
    • 2.2 安装nvidia显卡驱动
    • 2.3 安装cuda-通用并行计算架构平台
    • 2.4 安装cuDNN-深度学习GPU加速库
    • 2.5 测试GPU环境
  • 3. 安装Anaconda
    • 3.1 概述
    • 3.2 下载anaconda
    • 3.3 安装Anaconda
    • 3.4 测试Anaconda
    • 3.5 配置Anaconda
  • 4. 配置pip国内安装源
  • 5. 安装tensorflow
    • 5.1 创建tensorflow虚拟环境
    • 5.2 切换至虚拟环境,安装tensorflow
    • 5.3 测试tensorflow gpu环境
  • 6. 总结

1. 概述

windows GPU深度学习开发环境的安装包含显卡驱动、cuda、cuDNN深度学习加速包、anaconda、tensorflow的安装以及安装源的配置,理解了本文,还可以安装pytorch等其他开发框架。

物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第1张图片

2. GPU工具链安装

2.1 GPU工具链的组成

Nvidia显卡、显卡驱动、cuda工具套件、cuDNN工具包四部分构成。

目前支持深度学习的显卡基本上就是N卡,不论是硬件性能,还是最新的论文支持基本上都是N卡,所以不用在这里纠结了,采购时一定要上N卡。

  • 什么是cuda
    CUDA(ComputeUnified 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。注意:cuda的支持依赖显卡驱动的版本。

  • 什么是cuDNN
    NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中,如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型,而不是简单调整性能,同时还可以在GPU上实现高性能现代并行计算。

  • CUDA与CUDNN的关系
    CUDA看作是一个并行计算架构平台,cuDNN是基于CUDA的深度学习GPU加速库,有了它才能在GPU上完成深度学习的计算。想要在CUDA上运行深度神经网络,就要安装cuDNN,这样才能使GPU进行深度神经网络的工作,工作速度相较CPU快很多。

2.2 安装nvidia显卡驱动

- [https://www.nvidia.com/download/index.aspx?lang=en-us](https://www.nvidia.com/download/index.aspx?lang=en-us)

物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第2张图片根据提供的下载链接选择电脑对应的最新显卡驱动安装即可,这里需要记录一下显卡驱动的版本,安装cuda要用,我这台老电脑显卡驱动的文件名为425.31-notebook-win10-64bit-international-whql.exe,版本是425.31。

2.3 安装cuda-通用并行计算架构平台

  • 查询显卡可支持的cuda版本

    • 显卡驱动cuda版本对照表
      • https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
        物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第3张图片
        根据上一个步骤下载的显卡驱动的版本,选择可支持的最新cuda toolkit版本,从上图中可以看到支持425.31驱动版本的cuda toolkit版本是CUDA 10.1 (10.1.105 general release, and updates) ,因此选择下载cuda10.1的版本。
  • 安装cuda

    • cuda下载地址:
      • https://developer.nvidia.com/cuda-toolkit-archive
    • 下载最新版本的cuda10.1
      物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第4张图片
    • 选择配置
      物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第5张图片
    • 下载完成后,文件名为cuda_10.1.243_426.00_win10.exe,双击一直下一步安装即可, 默认安装路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1

2.4 安装cuDNN-深度学习GPU加速库

  • cuDNN下载地址(需要注册)

    • https://developer.nvidia.com/rdp/cudnn-archive
  • cuDNN版本的选择
    以tensorflow常见cuda和cuDNN搭配为主。
    物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第6张图片
    物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第7张图片
    下载的cuda版本为10.1版本,从列表中查找支持cuda10.1的最新的cuDNN版本是cuDNN7.6.5,下载后的cuDNN文件为cudnn-10.1-windows10-x64-v7.6.5.32.zip

  • 安装cuDNN

    • 将下载的cudnn-10.1-windows10-x64-v7.6.5.32.zip解压,然后将解压后cuda文件夹下的文件或文件夹,完全拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1目录下即可。
      物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第8张图片

2.5 测试GPU环境

  • 命令提示行输入nvidia-smi查询GPU使用情况和更改GPU状态的功能

    PS C:\Users\zhoushimin> nvidia-smi
    Mon Apr 04 22:00:37 2022
    +-----------------------------------------------------------------------------+
    | NVIDIA-SMI 426.00       Driver Version: 426.00       CUDA Version: 10.1     |
    |-------------------------------+----------------------+----------------------+
    | GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
    | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
    |===============================+======================+======================|
    |   0  GeForce GT 650M    WDDM  | 00000000:01:00.0 N/A |                  N/A |
    | N/A   36C    P0    N/A /  N/A |     40MiB /  2048MiB |     N/A      Default |
    +-------------------------------+----------------------+----------------------+
    
    +-----------------------------------------------------------------------------+
    | Processes:                                                       GPU Memory |
    |  GPU       PID   Type   Process name                             Usage      |
    |=============================================================================|
    |    0                    Not Supported                                       |
    +-----------------------------------------------------------------------------+
    

    如果提示’nvidia-smi’ 不是内部或外部命令,也不是可运行的程序,则可能环境变量没有配置好,需要将C:\Program Files\NVIDIA Corporation\NVSMI目录添加到系统环境变量中
    物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第9张图片关闭命令提示符,重新打开输入nvidia-smi就可以看到上面的输出结果了。

  • 查看cuda版本
    输入nvcc -V查看cuda版本

    PS C:\Users\zhoushimin> nvcc -V
    nvcc: NVIDIA (R) Cuda compiler driver
    Copyright (c) 2005-2019 NVIDIA Corporation
    Built on Sun_Jul_28_19:12:52_Pacific_Daylight_Time_2019
    Cuda compilation tools, release 10.1, V10.1.243
    

    可以看到cuda版本为10.1

  • 查看cuDNN版本
    输入如下命令查看

    type "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include\cudnn.h" | less
    

    按回车键,直到输出结果如下:

    #ifndef CUDNN_VERSION_H_
    #define CUDNN_VERSION_H_
    
    #define CUDNN_MAJOR 7
    #define CUDNN_MINOR 6
    #define CUDNN_PATCHLEVEL 5
    
    #define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)
    
    #endif /* CUDNN_VERSION_H */
    

    可知cuDNN的版本为7.6.5

    如果找不到相关信息,可以使用如下命令测试

    type "C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include\cudnn_version.h" | less
    

3. 安装Anaconda

3.1 概述

Anaconda,中文大蟒蛇,是一个开源的Python发行版本,其包含了conda、Python等180多个科学包及其依赖项。其简化了python软件包的安装,并且自动关联依赖,自动下载依赖的软件包,避免不必要的冲突,另外,anaconda最重要的功能就是创建虚拟环境,实现各种项目开发框架及版本的隔离。

3.2 下载anaconda

Anaconda的官方下载速度较慢,推荐使用清华大学的源下载,尽量选择日期较新的版本,根据操作系统版本选择对应的版本。

  • 官方下载地址:https://www.anaconda.com/
  • 国内下载地址:
    • 清华大学 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
      物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第10张图片

3.3 安装Anaconda

注意事项:不要有中文路径,安装过程无脑下一步即可。
安装完毕之后,python、pip等软件均已安装完毕。

3.4 测试Anaconda

在命令提示符输入conda -V查看conda版本,以确认conda环境是否生效。

PS C:\Users\zhoushimin> conda -V
conda 4.10.3

3.5 配置Anaconda

由于Anaconda官方服务器在国外,安装python软件包时下载速度巨慢,因此需要配置国内安装源,在这里使用清华大学的第三方源。

  • 首先找到配置文件【.condarc】,其在C盘用户目录下,如图:
    物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第11张图片如果不存在,则直接创建即可。

  • 打开文件后,将以下内容拷贝到文件中

    channels:
      - defaults
    show_channel_urls: true
    default_channels:
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
      - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
    custom_channels:
      conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      pytorch-lts: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
      simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
    
  • 清除索引缓存
    在命令行执行命令

    conda clean -i
    
  • 建立虚拟环境测试下载速度

    conda create -n myenv numpy
    

    测试时会发现下载包的速度杠杠的,测试完毕后,删除myenv虚拟环境

    conda remove -n myenv --all
    
  • 恢复官方安装源
    如果使用第三方源出现问题,可以恢复官方安装源重试,恢复指令如下:

    conda config --remove-key channels
    

4. 配置pip国内安装源

使用pip安装软件包时,有些安装包下载速度特别慢,可以选择国内的安装源。

  • 安装源列表
    以下安装源可以选择:

    # 清华大学 
    https://pypi.tuna.tsinghua.edu.cn/simple/
    
    # 阿里云 
    http://mirrors.aliyun.com/pypi/simple/
    
    # 中国科技大学 
    https://pypi.mirrors.ustc.edu.cn/simple
    
  • 安装源的使用方式

    • 临时使用
      以安装tensorflow使用阿里云安装源为例,在-i后面指定安装源即可

      pip install tensorflow_gpu==2.3 -i http://mirrors.aliyun.com/pypi/simple/
      
    • 永久使用
      做如下配置后,无需再使用-i选项

      pip install pip -U #升级 pip 到最新的版本后进行配置:
      pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
      
  • 恢复官方安装源
    如果安装源出现异常,恢复官方安装源的方式如下:

    pip config unset global.index-url`
    

5. 安装tensorflow

5.1 创建tensorflow虚拟环境

为了隔离不同项目可能对应的不同tensorflow版本或pytorch或python版本,强烈建议使用conda创建不同的虚拟环境以实现各种不同的开发环境的隔离。

我们需要根据开发框架、cuda版本等信息综合选择合适的开发环境,强烈不建议自行搭建开发环境适配开源框架,你会怀疑人生,时间周期可能是星期级别!

  • 查看开源框架支持的python和tensorflow版本
    博主的需求是安装物体检测API[OBJECT DETECTION API],根据项目的最低配置可以了解到支持的是tensorflow-2.2 python3.6
    物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第12张图片

  • 查看cuda可支持的tensorflow版本

    • 查看cuda、tensorflow对照关系表
      • 经过测试的构建配置
        物体检测快速入门系列(2)-Windows部署GPU深度学习开发环境_第13张图片
  • 根据开源框架支持的tensorflow版本、cuda版本,选择tensorflow-2.2,python-3.6,根据这些信息创建虚拟环境

    conda create -n [env_name] python=[python version]
    

    详细命令如下:

    conda create -n tensorflow-2.2-py36 python=3.6
    

    输出如下:

    PS C:\Users\zhoushimin> conda create -n tensorflow-2.2-py36 python=3.6
    Collecting package metadata (repodata.json): done
    Solving environment: done
    
    
    ==> WARNING: A newer version of conda exists. <==
      current version: 4.10.3
      latest version: 4.12.0
    
    Please update conda by running
    
        $ conda update -n base -c defaults conda
    
    
    
    ## Package Plan ##
    
      environment location: D:\Tools\Anaconda3\envs\tensorflow-2.2-py36
    
      added / updated specs:
        - python=3.6
    
    
    The following packages will be downloaded:
    
        package                    |            build
        ---------------------------|-----------------
        certifi-2021.5.30          |   py36haa95532_0         142 KB  defaults
        pip-21.2.2                 |   py36haa95532_0         2.1 MB  defaults
        python-3.6.13              |       h3758d61_0        17.7 MB  defaults
        setuptools-58.0.4          |   py36haa95532_0         976 KB  defaults
        wincertstore-0.2           |   py36h7fe50ca_0          13 KB  defaults
        ------------------------------------------------------------
                                               Total:        20.9 MB
    
    The following NEW packages will be INSTALLED:
    
      certifi            anaconda/pkgs/main/win-64::certifi-2021.5.30-py36haa95532_0
      pip                anaconda/pkgs/main/win-64::pip-21.2.2-py36haa95532_0
      python             anaconda/pkgs/main/win-64::python-3.6.13-h3758d61_0
      setuptools         anaconda/pkgs/main/win-64::setuptools-58.0.4-py36haa95532_0
      sqlite             anaconda/pkgs/main/win-64::sqlite-3.38.2-h2bbff1b_0
      vc                 anaconda/pkgs/main/win-64::vc-14.2-h21ff451_1
      vs2015_runtime     anaconda/pkgs/main/win-64::vs2015_runtime-14.27.29016-h5e58377_2
      wheel              anaconda/pkgs/main/noarch::wheel-0.37.1-pyhd3eb1b0_0
      wincertstore       anaconda/pkgs/main/win-64::wincertstore-0.2-py36h7fe50ca_0
    
    
    Proceed ([y]/n)? y
    

    等待执行完毕。

5.2 切换至虚拟环境,安装tensorflow

  • 切换至虚拟环境
conda activate tensorflow-2.2-py36
  • 安装tensorflow
pip install tensorflow==2.2.0
  • 安装完毕后的输出如下
Successfully built termcolor
Installing collected packages: urllib3, pyasn1, idna, charset-normalizer, zipp, typing-extensions, six, rsa, requests, pyasn1-modules, oauthlib, cachetools, requests-oauthlib, importlib-metadata, google-auth, dataclasses, werkzeug, tensorboard-plugin-wit, protobuf, numpy, markdown, grpcio, google-auth-oauthlib, absl-py, wrapt, termcolor, tensorflow-estimator, tensorboard, scipy, opt-einsum, keras-preprocessing, h5py, google-pasta, gast, astunparse, tensorflow
Successfully installed absl-py-1.0.0 astunparse-1.6.3 cachetools-4.2.4 charset-normalizer-2.0.12 dataclasses-0.8 gast-0.3.3 google-auth-1.35.0 google-auth-oauthlib-0.4.6 google-pasta-0.2.0 grpcio-1.44.0 h5py-2.10.0 idna-3.3 importlib-metadata-4.8.3 keras-preprocessing-1.1.2 markdown-3.3.6 numpy-1.19.5 oauthlib-3.2.0 opt-einsum-3.3.0 protobuf-3.19.4 pyasn1-0.4.8 pyasn1-modules-0.2.8 requests-2.27.1 requests-oauthlib-1.3.1 rsa-4.8 scipy-1.4.1 six-1.16.0 tensorboard-2.2.2 tensorboard-plugin-wit-1.8.1 tensorflow-2.2.0 tensorflow-estimator-2.2.0 termcolor-1.1.0 typing-extensions-4.1.1 urllib3-1.26.9 werkzeug-2.0.3 wrapt-1.14.0 zipp-3.6.0

5.3 测试tensorflow gpu环境

创建gpu_tf_test.py,拷贝如下代码:

import numpy as np
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.optimizers import SGD

import time 

# config = tf.ConfigProto()
# config.gpu_options.allow_growth = True
# session = tf.Session(config=config)

# 启用GPU
from tensorflow.compat.v1 import ConfigProto# tf 2.x的写法
config =ConfigProto()
config.gpu_options.per_process_gpu_memory_fraction=0.9
tf.compat.v1.Session(config=config)

# 构建数据集
X_data = np.linspace(-1,1,1000)[:, np.newaxis]
noise = np.random.normal(0,0.05,X_data.shape)
y_data = np.square(X_data) + noise + 0.5

print("shape")
print(X_data.shape)

# 构建神经网络

model = Sequential()
model.add(Dense(10, input_shape=(1,), kernel_initializer='normal', activation='relu'))
#model.add(Dense(5, activation='relu'))
# vs 分类为softmax激活
model.add(Dense(10000, kernel_initializer='normal'))
model.add(Dense(10000, kernel_initializer='normal'))
model.add(Dense(100, kernel_initializer='normal'))
model.add(Dense(1, kernel_initializer='normal'))
#sgd = SGD(lr=0.001)
model.compile(loss='mean_squared_error', optimizer="sgd") #adam
# 训练 epoch = 10, 30, 50, view the results
start = time.time()
model.fit(X_data, y_data, epochs=50, batch_size=16, verbose=1)
end = time.time()

# 在原数据上预测
y_predict=model.predict(X_data)
#print(y_predict)
model.summary()

print("training time {}".format(end - start))

执行测试

# 切换至虚拟环境
conda activate tensorflow-2.2-py36
# 执行测试
python gpu_tf_test.py

输出如下:

(tensorflow-2.2-py36) C:\Users\zhoushimin\Desktop>python gpu_test.py
2022-04-05 00:24:35.790114: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:39.180693: I tensorflow/compiler/xla/service/service.cc:168] XLA service 0x211ab3407a0 initialized for platform Host (this does not guarantee 
that XLA will be used). Devices:
2022-04-05 00:24:39.181152: I tensorflow/compiler/xla/service/service.cc:176]   StreamExecutor device (0): Host, Default Version
2022-04-05 00:24:39.185023: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2022-04-05 00:24:39.957288: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce GT 650M computeCapability: 3.0
coreClock: 0.835GHz coreCount: 2 deviceMemorySize: 2.00GiB deviceMemoryBandwidth: 59.60GiB/s
2022-04-05 00:24:39.958038: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:39.965471: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2022-04-05 00:24:39.972214: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2022-04-05 00:24:39.975560: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2022-04-05 00:24:39.985029: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2022-04-05 00:24:39.989813: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2022-04-05 00:24:40.014427: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2022-04-05 00:24:40.016214: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1657] Ignoring visible gpu device (device: 0, name: GeForce GT 650M, pci bus id: 0000:01:00.0, compute capability: 3.0) with Cuda compute capability 3.0. The minimum required Cuda capability is 3.5.
2022-04-05 00:24:40.063972: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2022-04-05 00:24:40.064381: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]      0 
2022-04-05 00:24:40.064707: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1121] 0:   N
2022-04-05 00:24:40.068691: I tensorflow/compiler/xla/service/platform_util.cc:139] StreamExecutor cuda device (0) is of insufficient compute capability: 3.5 required, device is 3.0
2022-04-05 00:24:40.069704: I tensorflow/compiler/jit/xla_gpu_device.cc:161] Ignoring visible XLA_GPU_JIT device. Device number is 0, reason: Internal: no supported devices found for platform CUDA
shape
(1000, 1)
2022-04-05 00:24:40.099506: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1561] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce GT 650M computeCapability: 3.0
coreClock: 0.835GHz coreCount: 2 deviceMemorySize: 2.00GiB deviceMemoryBandwidth: 59.60GiB/s
2022-04-05 00:24:40.100197: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2022-04-05 00:24:40.100541: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2022-04-05 00:24:40.100821: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2022-04-05 00:24:40.101140: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2022-04-05 00:24:40.101432: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2022-04-05 00:24:40.101674: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2022-04-05 00:24:40.101915: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2022-04-05 00:24:40.103257: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1657] Ignoring visible gpu device (device: 0, name: GeForce GT 650M, pci bus id: 0000:01:00.0, compute capability: 3.0) with Cuda compute capability 3.0. The minimum required Cuda capability is 3.5.
2022-04-05 00:24:40.104045: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102] Device interconnect StreamExecutor with strength 1 edge matrix:
2022-04-05 00:24:40.104239: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1108]
2022-04-05 00:24:40.139180: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:41.717374: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:41.799759: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
Epoch 1/50
2022-04-05 00:24:42.666531: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
2022-04-05 00:24:42.841301: W tensorflow/core/framework/cpu_allocator_impl.cc:81] Allocation of 400000000 exceeds 10% of free system memory.
63/63 [==============================] - 36s 567ms/step - loss: 0.2708
Epoch 2/50
63/63 [==============================] - 35s 559ms/step - loss: 0.0703
Epoch 3/50
63/63 [==============================] - 39s 614ms/step - loss: 0.0350
Epoch 4/50
63/63 [==============================] - 41s 643ms/step - loss: 0.0140
Epoch 5/50
63/63 [==============================] - 41s 650ms/step - loss: 0.0144
Epoch 6/50
30/63 [=============>................] - ETA: 21s - loss: 0.0091

从日志中可以看到显卡GeForce GT 650M已经加载成功了,cuda也加载成功了,因为GPU性能较弱,仅3.0,不满足最小要求3.5,直接使用的cpu在运行。

6. 总结

总体来说,深度学习安装环境的安装还是比较麻烦的,涉及到

  • 显卡支持的cuda版本确定
    • 依赖新卡驱动版本号
  • cuDNN版本的确认
    • 依赖cuda版本和开发框架匹配的cuDNN版本
  • python版本的确认等
    • 依赖开源项目支持的版本

一般来说,一个项目一个环境,避免环境冲突。一个项目一个环境可以通过anaconda来实现,也可以使用docker来实现隔离。有一些框架在windows平台支持不好,例如目标检测框架MMDetection,尽可能还是使用linux环境来做开发。

以上既是我的学习总结,有问题欢迎交流。

参考链接:

  • CUDA与cuDNN:https://www.jianshu.com/p/622f47f94784
  • 作者简介:关注AIoT领域的嵌入式开发一枚,追逐未来时代的脉搏,记录路途中的技术成长
  • 本文由机器未来原创,首发在CSDN
  • 订阅专栏:物体检测快速入门系列
  • 面向人群:具备深度学习理论基础的学生或初级开发者
  • 专栏计划:接下来会逐步发布跨入人工智能的系列博文,尽情期待
  • 14天快速入门Python系列
  • 快速入门Python数据科学系列
  • 人工智能开发环境搭建系列
  • 机器学习系列
  • 物体检测快速入门系列
  • 自动驾驶物体检测系列
  • 如果觉得博主的文章还不错的话,请点赞+收藏⭐️+留言支持一下博主哦

文中cuda toolkit、cuDNN、Anaconda软件包免费获取方式:
点赞、关注、评论区留言,博主顺着评论发送下载链接

你可能感兴趣的:(物体检测快速入门系列,深度学习,人工智能,tensorflow)