%%------2018/12/12更新--------%%
哈哈, 双十二没钱剁手来更新一波:
我发现不少网友看了我这篇博客还在按照我之前的安装方法安装基于gpu版本的TensorFlow,如今本身回头来看,真的过于复杂了,给某些网友形成了误解,哈哈抱歉。其实若是你真的按照我之前的方法安装也不会有问题的,只是真实的TensorFlow安装能够更简单一些。python
pip install tensorflow-gpu==1.9.0
就能够啦,若是嫌这样速度比较慢,能够像这样加一个镜像路径,速度快到飞起:pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.9.0
另:以上第4步安装anaconda真的不用再先新建环境了,就直接在原环境下安装就能够啦。linux
cuda、cudnn以及TensorFlow版本对应关系以下:web
linux:
windows
Windows:
%%------2018/5/3更新--------%%
如今回头来看,我以前写的这篇在win10下安装gpu版本的tensorflow貌似写得有点复杂了…
如今来总结一下:
装gpu版本的tensorflow须要如下一些准备:架构
pip install tensorflow-gpu
就好啦,注意这里的代码默认安装最新版本的tensorflow,目前最新版本是1.7.0,若是想安装指定版本的tensorflow如1.5.0,使用pip install tensorflow-gpu==1.5.0
就好啦。2,我通常喜欢在anaconda下安装tensorflow,由于anaconda会自带许多经常使用的第三方包,省去了往后安装的麻烦,若是使用anaconda来安装tensorflow,那么在安装anaconda后,一样使用pip install tensorflow-gpu==1.5.0
就能够啦。最近因为项目须要,要用到深度学习相关内容。从导师那儿拿了一块N卡替换掉了我那不能进行cuda加速的A卡。本身电脑是Ubuntu 16.04和win10双系统,可是平时科研也是win10用的多,且TensorFlow和Keras深度学习框架也都支持Windows,因此打算在win 10下配置gpu版的TensorFlow和Keras深度学习平台(主流深度学习框架参考我这篇博客)。具体流程以下:框架
整个python深度学习架构图以下所示:
svg
个人安装配置信息:
系统:win10 64位
显卡:NVIDIA Quadro M2000
语言:python(anaconda)
cuda加速:CUDA® Toolkit 8.0+cuDNN v6.0
深度学习框架:TensorFlow+Keras工具
注:电脑上最好有一款visual studio 版本,我电脑上安装的有vs 2015和vs2017性能
好。接下来是安装流程:学习
先确认本身的电脑是N卡及其型号,显卡的计算能力须要大于等于3.0,在这个网站查看本身电脑显卡的计算能力。
1.1 下载CUDA Toolkit 8.0,我这里下载的是2017年2月更新的GA2版本,下载连接:https://developer.nvidia.com/cuda-toolkit-archive
具体信息以下图:
1.2 下载对应的cuDNN v6.0,下载连接:https://developer.nvidia.com/rdp/cudnn-download
具体信息以下图:
1.3 安装CUDA® Toolkit 8.0,按照它的提示安装就好,提示选择路径时能够选择本身想要安装的路径。这个路径并非安装路径,安装路径是默认安装在c盘的。安装过程当中会默认安装它自带的驱动,安装就好,这个时候可能会安装错误,我这里的解决办法是把以前安装的那些N卡驱动通通给卸载掉再安装就能够了。安装完后,环境变量不须要本身添加,它已经给你添加好了。而后解压cuDNN v6.0,解压后获得一个cuda文件夹,里面有3个子文件夹,将这3个文件夹复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0下与原有的3个文件夹进行合并便可。
测试安装结果:
打开命令提示符,输入:nvcc -V
若是有提示安装信息,就说明大体是安装成功了。
可是,这样并不表明安装成功了。等把CUDA_Samples示例编译经过不报错了,才能算是成功。这个网上有示例,这里再也不赘述。
2.1 去官网下载windows版本的Anaconda,我这里下载的是目前最新版本,Anaconda 5.0.1(python 3.6)。
2.2 安装anaconda:按照提示一步步安装就好,安装过程当中会提示要不要添加环境变量,那个钩默认是没有钩上的,我这里选择了把它钩上,这样后面就不须要咱们手动去添加环境变量了。
2.3 安装完毕后,在控制台输入pyhon显示提示信息则安装成功。以下图所示:
3.1 按照官网的提示,先生成TensorFlow的一个环境,目前TensorFlow已经支持python 3.6,我这里生成TensorFlow环境仍是选择了python 3.5,考虑到python 3.5比较稳定。
生成TensorFlow环境使用以下代码:
conda create -n tensorflow-gpu python=3.5
具体以下图所示:
这里咱们能看见一些生成TensorFlow环境须要额外安装的依赖包,还能够看见里面有咱们熟悉的python 3.5版本。输入y进行下载安装,速度比较慢,慢慢等…
3.2 安装完成后,在电脑开始菜单中找到安装anaconda附带安装的Anaconda Navigator这个软件打开,在左边那一栏找到Environments,这时能够环境咱们创建的tensorflow-gpu环境已经生成。以下图所示:
默认环境是root环境,咱们创建的tensorflow-gpu环境目前还仅仅有少有的几个包,其中包括包管理pip,待会儿咱们会用该工具安装tensorf,之后咱们在tensorflow-gpu环境下安装的包都会显示该环境下。
3.3 安装gpu版本的tensorflow-gpu:创建tensorflow环境后,每次须要在该环境下工做,咱们须要先激活它,使用以下代码:
activate tensorflow-gpu
不用时退回到root环境使用以下代码:
deactivate tensorflow-gpu
好,如今咱们开始装tensorflow,先使用以上命令激活tensorflow-gpu环境。
cpu版本的tensorflow输入如下命令:
pip install --ignore-installed --upgrade tensorflow
gpu版本的tensorflo输入如下命令:
pip install --ignore-installed --upgrade tensorflow-gpu
以下图所示:
提示正在下载tensorfl_gpu,耐心等待下载安装就行。
到这里gpu版本的tensorflow就安装完了,接下来测试是否安装成功:
在控制台前后输入如下测试代码,不出错就表示安装成功了:
>>> import tensorflow as tf >>> hello = tf.constant('Hello, TensorFlow!') >>> sess = tf.Session() >>> print(sess.run(hello))
以下图所示:
3.4 安装spyder IDE:一款好的IDE能给项目开发带来极大的便利,接下来咱们在tensorflow-gpu环境下安装spyder,激活tensorflo-gpu环境后在控制台使用包管理器conda安装spyder以下所示:
conda install spyder
而后会相应的安装一连串的依赖包,按照提示输入y安装便可,接下来就是漫长的等待时间…
这时咱们打开Anaconda Navigator,切换到tensorflow-gpu环境就能够看见咱们已经在该环境下安装了依赖的许多包,接下来咱们打开spyder测试tensorflow是否安装成功,以下图所示:
到这里基于cuda加速的tensorflow就算安装完了,接下来基于此安装Keras深度学习框架
####4. 安装Keras
安装套路和安装其余包同样套路类似,在控制台先激活tensorflow-gpu:activate tensorflow-gpu
,而后使用pip安装便可,pip install keras
。
注:这里使用pip安装而不是使用conda,缘由是使用conda安装会默认安装cpu版本的tensorflow,以下图所示:
使用conda安装会提示安装其余依赖包,以下图所示;这其中就包括cpu版本的tensorflow,这是咱们不想要的。
接下来能够在spyder里import Keras,没出错就代表安装成功了。
好,到这里基于cuda加速的tensorflow+keras深度学习框架就安装完成了。
参考:
tensorflow官方安装教程:https://www.tensorflow.org/install/install_windows
http://blog.csdn.net/circle2015/article/details/54235127
http://blog.csdn.net/u013709270/article/details/73385586