TF-搭建tensorflow-gpu GPU环境

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了TF-搭建tensorflow-gpu GPU环境相关的知识,希望对你有一定的参考价值。

看完官方的例子,自己凭着记忆敲出来mnist卷积的例子。跑起来才发现,凭着CPU跑不是一般的慢啊!

train过程要迭代20000次,跑了1个小时没跑完。也是怪我机子太差了。

于是下决心把机子上的显卡用起来。

之前了解过TF借力GPU需要安装cuda和cudnn,一直没实践过,这次终于开动了。过程如下:

1、确认自己显卡是否支持

到https://developer.nvidia.com/cuda-gpus,点击CUDA-Enabled GeForce Products查看是否自己的显卡支持cuda。后面那列是显卡的运算能力,如我自己的是GT730运算能力是3.5,毕竟是老卡了,比较差劲。

技术分享

2、下载CUDA。

    确定自己的卡可以支持后,接下来根据自己的系统版本下载cuda版本,如果你是windows,必须是64位系统哦,如果不是最好就重装吧。网址是这个

https://developer.nvidia.com/cuda-downloads

技术分享

选择下exe(local)这个,network那个要边装边下,很容易失败。

3、下载Cudnn。

     Cudnn就是个NVIDIA公司在cuda基础上为了方便深度学习调用而加的接口。(The NVIDIA CUDA? Deep Neural Network library (cuDNN) is a GPU-accelerated library of primitives for deep neural networks),两种方法下载,1) 去N卡官网下载http://developer.nvidia.com/cudnn。2) 看国内有些好人下完了传到百度网盘或者CSDN,你直接下来用。推荐第二种,因为去官网下载需要注册填表等一系列麻烦事才能下。我由于是win7所以在http://download.csdn.net/detail/zhangjianbinn/9821263下载了(需要注册CSDN)。

4、安装CUDA,CUDNN

     现在你已经下载了cuda_8.0.61_windows.exe和cudnn-8.0-windows7-x64-v5.1.zip,版本号可能不同,可以开始安装了。关掉360等安装软件防止一会点击到手软。

     1) 首先安装cuda,一路默认,等待他装完(大概几十分钟)。

     2) 再装Cudnn。解压后进入cudnn-8.0-windows7-x64-v5.1\\cuda目录,里面有bin include lib 3个目录,拷贝,然后进入C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0,后面的v8.0根据版本号会有不同。粘贴,弹出提示已存在,选择合并目录。

5、安装tensorflow-gpu。

     以下安装是建立在之前已经正常运行tensorflow CPU版本的基础上的。

     首先关闭你的python开发环境,停止所有运行的python程序,这点很关键,可能会导致安装失败。之后打开cmd,运行pip install --upgrade --ignore-installed setuptools。

技术分享

  再执行pip install --upgrade tensorflow-gpu

技术分享

看到成功安装即可。

6、验证。

     重新打开tf的环境,跑起来,就可以看到调用GPU的日志了,比如下面是我的。

2017-05-13 23:04:56.361497: W c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\platform\\cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations.
2017-05-13 23:04:56.361497: W c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\platform\\cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE2 instructions, but these are available on your machine and could speed up CPU computations.
2017-05-13 23:04:56.361497: W c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\platform\\cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE3 instructions, but these are available on your machine and could speed up CPU computations.
2017-05-13 23:04:56.362497: W c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\platform\\cpu_feature_guard.cc:45] The TensorFlow library wasnt compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations.
2017-05-13 23:04:56.577509: I c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\common_runtime\\gpu\\gpu_device.cc:887] Found device 0 with properties: 
name: GeForce GT 730
major: 3 minor: 5 memoryClockRate (GHz) 0.9015
pciBusID 0000:01:00.0
Total memory: 1.00GiB
Free memory: 825.37MiB
2017-05-13 23:04:56.577509: I c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\common_runtime\\gpu\\gpu_device.cc:908] DMA: 0 
2017-05-13 23:04:56.577509: I c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\common_runtime\\gpu\\gpu_device.cc:918] 0:   Y 
2017-05-13 23:04:56.578509: I c:\\tf_jenkins\\home\\workspace\\release-win\\device\\gpu\\os\\windows\\tensorflow\\core\\common_runtime\\gpu\\gpu_device.cc:977] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GT 730, pci bus id: 0000:01:00.0)
step=0,train_accuracy=0.09999999403953552
step=100,train_accuracy=0.8200000524520874

   爽呆了,比CPU快1倍不止!

以上是关于TF-搭建tensorflow-gpu GPU环境的主要内容,如果未能解决你的问题,请参考以下文章

windows 10 + tensorflow-gpu 环境搭建

anaconda 使用 及 tensorflow-gpu 安装

用conda搭建tensorflow-gpu和模块安装

utuntu安装tensorflow-gpu

Tensorflow-gpu1.13.1 和 Tensorflow-gpu2.0.0共存之安装教程

记录 window10安装TensorFlow-gpu2.4.0