在windows上搭建深度学习平台

前言

目前最流行的windows深度学习框架是tensorflow，由谷歌设计。在tensorflow之上，有一个高级封装的库，叫keras，写起来很省事。但是，在windows上搭建tensorflow-gpu平台非常困难。当然，CPU版本很容易，不过训练效率太低。纪念一下填过的各种坑。
如果之前装过CUDA，删除后再装新的装不上，可以用DDU把显卡驱动删干净，再试试。

流程

install anaconda
install visual studio 2017
install CUDA
install cudnn
install tensorflow-gpu version
install keras

警告：不要安装tensorflow cpu版本，有的话赶紧删了，可能会使得gpu版本安装失败。

Anaconda

这是一个很好用的开发环境，省去很多事，自带许多库。请直接在官网下载最新版，即python 3.7版本。
安装后，需要降级为3.6.8，至少目前需要，因为tesnsorflow和keras对python 3.7支持不算好。
具体方法，打开Anaconda Prompt，一个类似命令行的东西，控制anaconda环境python各种库的安装。输入：

conda install python=3.6.8

等待提示（y/n），输入y，开始下载安装，完成后就会提示done。此时，python3.7已经退回到python3.6.8了。
在Prompt中输入python，看一看版本对不对。

Visual Studio

Visual Studio的安装对于整个部署来说很重要，他是个环境，Visual Studio一般在微软官网下载即可。要注意版本，2017版就没问题。具体安装可以百度一下，也要当心有坑。

CUDA

CUDA对于深度学习很关键，请查看自己显卡型号，在下面网址里看一看兼容性。一般，CUDA 9.0就可以对付了。https://www.nvidia.cn/object/cuda_learn_products_cn_old.html
例如，我的显卡是GTX 960M，安装CUDA 9.0。

参考

这是官网的支持，我们可以看到CUDA 9.0都能对付。
CUDA直接在NIVIDA官网下载即可，选择local版本，而不是联网版本。

以下是每个步骤需要注意的点：

1、安装时选择“自定义”，然后下一步有一个安装目录，建议不要更改。
2 、下一步，不要勾选Visual Studio Integration。
3、安装完成。如果说安装失败，别沮丧，看一看是哪个模块没装上。我的shadowplay模块一直也没装上，但也不影响使用。基本都装上，就可以了。
进入CUDAVisualStudioIntegration\extras\visual_studio_integration\MSBuildExtensions后看见有四个文件，将这四个文件拷贝到Visual Studio的对应目录下，参考路径：
C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\Common7\IDE\VC\VCTargets\BuildCustomizations
4、退出安装程序，打开cmd然后输入“nvcc -V”，如果安装正确的话会看到CUDA版本信息。
5、关于环境变量的问题，反正我没配置，也成功了。CUDA自己会配置好两个路径，应该够用了。不是很专业不要再配置环境变量了。

CUDNN

这玩意不用安装，它是一些写好了的帮助计算的函数。在官网下载CUDNN，需要先注册账号，选择跟CUDA版本对应的cuDNN版本。下载后解压压缩包，分别将文件夹下三个文件拷贝到CUDA目录下相应同名文件夹内：

Copy \cuda\bin\cudnn64_7.dllto C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin.
Copy \cuda\ include\cudnn.h to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include.
Copy \cuda\lib\x64\cudnn.lib to C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64.

bin对应bin，include对应include，x64对应x64

验证安装是否成功

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite找到deviceQuery.exe和bandwidthTest.exe，注意需要在cmd里运行，先运行bandwidthTest.exe再运行deviceQuery.exe，留意运行结果的最后是否result = PASS，如果两个文件都是，那么说明CUDA能够和底层硬件正常沟通。

tensorflow-gpu

在Anaconda Prompt中输入：

pip install tensorflow-gpu==1.12.0

成功后，输入：

python
import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

没报错且查看日志信息若包含gpu信息，就是使用了gpu。如果没有，就是安装失败了。
emmm, just wait for a minute
事实证明，1.12.0在后来训练程序时直接报错，还是版本不对应。解决办法是降到1.9.0。说白了就再装一次就行，会自动删除以前的。

keras

pip install keras -U

调用一下，应该会显示使用tensorflow后端。

R

这些都成功后，在R里直接装个keras基本就完事了。很方便。

鸣谢

https://blog.csdn.net/weixin_39671140/article/details/84585072