手把手教你win10下GPU(cuda+cudnn)+Anaconda+Tensorflow/pytorch深度学习环境配置

手把手教你win10下GPU(cuda+cudnn)+Anaconda+Tensorflow深度学习环境配置

本文用于配置深度学习环境。
                              _by 依雪观天澜
  工欲善其事必先利其器，想要使用深度学习，首先要配置好深度学习环境，下面首先对深度学习环境进行简介。
  TensorFlow，theano，Keras，pytorch都是比较常用深度学习框架。目前Keras已经被TensorFlow收录，添加到TensorFlow 中，成为其默认的框架，成为TensorFlow官方的高级API。
  深度学习框架都可以使用GPU进行硬件加速，往往可以比CPU运算快很多倍。因此如果你的显卡支持cuda的话，建议尽可能利用cuda加速模型训练。
  CUDA的本质是一个工具包，是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
  cuDNN是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。
nvidia与cuda需要满足关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html   (1)
cuda与cudnn需要满足关系：
https://developer.nvidia.com/rdp/cudnn-archive           (2)
cuda历史版本下载连接：
https://developer.nvidia.com/cuda-toolkit-archive          (3)
Tensorflow不同版本要求与CUDA及CUDNN版本对应关系:
https://blog.csdn.net/u013066730/article/details/88845083        (4)

根据上述的基本内容，选择自己的安装版本，有能跑深度学习显卡的可以考虑安装GPU加速版本。

1.安装GPU版本首先查看自己的显卡支持的版本，查看自己驱动版本的方式如下：
打开cmd，使用cd命令进入：
cd C:\Program Files\NVIDIA Corporation\NVSMI
使用“nvidia-smi”这个命令即可查看，如下我的版本为391.24

2.进入网址，查找适合自己显卡的cuda的版本，我的电脑适合的最高版本为CUDA9.0。

3.进入网址下载需要的CUDA，并选择自己的系统；


4.点击download，进行本地下载，下载完成后以管理员身份打开，还有要退出360等安全软件（否则会遇到奇形怪状的错误）；

5.设置好安装路径，点击ok，然后等待安装包解压一会；

6.点击同意并继续，如果电脑里面没有vs，会出现下图。

7.Cuda提示，安装还需要visual studio的支持，所以需要安装vs，此处不做详细说明了（自主安装vs），有vs的忽略此步骤；

8.然后就是漫长的等待过程。

9.加载完之后，点击下一步，点击关闭，CUDA下载完毕。
10.检查CUDA是否安装成功，在cmd指令中输入nvcc -V；

11.出现了CUDA版本号，则CUDA安装成功。
此时显卡驱动版本也变为CUDA支持的最低版本，如需升级，可再自行升级。

12.下一步准备安装cuda对应的cudnn，进入网址2进行查询。

13.选择合适的cudnn，此处本人选择的是7.6.5，然后选择自己电脑的系统对应的选项，点击即可下载，（下载的时候需要注册nvidia账号，自行注册，此处不再讲解）；
14.下载完成后将压缩包解压，包内包含三个问价夹。

15.将上述红框内文件复制到CUDA文件夹下，CUDA默认目录通常为C:\Program Files\NVIDIA GPU Computing Toolkit；

16.上述步骤操作完成后，能够看到CUDA文件所在路径已经添加到了系统环境之下；

17.下面检查cudnn是否安装成功，cmd指令进入文件cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite下，分别输入bandwidthTest.exe和deviceQuery.exe。出现下图：
输入bandwidthTest.exe时：

出现 result = PASS 表示没有问题。

输入deviceQuery.exe时：

出现 result = PASS 表示没有问题。

至此cudnn安装完毕，使用GPU训练的加速工具，已经全部安装完毕。
下面开始深度学习框架（工具包的安装）

深度学习框架有很多，版本也各种各样，编译不同代码时常常用到不同的框架以及不同版本，因此为不同的版本搭建自己的环境。本文以tensorflow为例：
18.搭建一个新的虚拟环境，进入cmd指令中，输入conda create -n tensorflow python=3.6；

蓝色框内tensorflow1.10 为定义的虚拟环境名称，红色框内为虚拟环境内对应的python版本。

19.然后会加载预安装内容，输入y确认安装；

20.安装完成后如图所示；

conda activate tensorflow指令表示激活名为tensorflow的虚拟环境
conda deactivate指令表示关闭虚拟环境

21.查看虚拟环境：新建的虚拟环境位于anaconda安装包内，具体路径为C:\ProgramData\Anaconda3\envs，可以看到文件夹下有一个名为tensorflow的文件夹，即为新建的虚拟环境；
22.在cmd指令中激活刚刚建立好的虚拟环境；

图中红框内表示此时输入的指令正处于tensorflow这个虚拟环境中。
23.安装tensorflow工具包；

此处采用清华镜像有效提高安装速度。
pip install tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorflow_gpu -i https://pypi.tuna.tsinghua.edu.cn/simple
通常上述指令安装的均是最新版本，选择指定版本为：
pip install tensorflow_gpu==1.11 -i https://pypi.tuna.tsinghua.edu.cn/simple

其他框架同上，需要注意tensorflow1.0以上版本与tensorflow2.0以上版本有很大差别，安装需要注意根据自已代码选择合适版本。

24.Pycharm中使用配置好的深度学习环境；
File-setting-project：(文件名)-python interprefer-add-existing-选择新建的环境路径。


在Select Python interprefer界面可能会出现找不到Anaconda路径的情况，是因为Anaconda安装在C盘的隐藏文件夹下，点击界面上眼睛的符号，就可以展示出隐藏文件夹。
选择刚刚使用conda指令创建好的虚拟环境（envs）下python.exe解释器。
注：在Anaconda3文件夹下有一个Python解释器，此解释器处于base环境下的解释器，创建的虚拟环境的解释器均在（*\Anaconda3\envs\）文件夹内。
本人路径D:\ProgramData\Anaconda3\envs\tensorflow\python.exe

25.安装成功测试。
打开pycharm，创建.py文件，并输入：

import tensorflow as tf


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

import tensorflow as tf


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

当出现Ture字样，则表示tensorflow已经安装成功，且可以使用GPU对数据进行训练，False表示不能使用GPU进行训练，此时需要检查 Python cuda cudnn 显卡驱动号 以及tensorflow——gpu的版本对应关系。
对于使用CPU训练来说，只要能import tensorflow不报错，则表示，tensorflow安装成功。