Win10 RTX30系列 安装tensorflow1.15

Win10 RTX30系列 安装tensorflow1.15

1.遇到的问题：

直接PiP安装，能够安装完成。

pip install tensorflow-gpu==1.15

并且测试TF的版本和显卡是否正确，也都正常。

import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())

但是：
  训练会卡住，也不报错，就卡着。
遂安装失败。

2.最近发现了一个知乎大神的版本

废话不多说，上链接： https://zhuanlan.zhihu.com/p/356526953

作者已经有打包好的了，但是没有把rtx30的二进制码包进去。
下面是作者编译的老黄魔改版， python3.7 cuda11.2 cudnn8.1.0。

  链接：https://pan.baidu.com/s/1hw50gNAzh9A7dWTJQWwCwg
  提取码： dg4q

老黄魔改版tf1.15的c++版，和Python配套的，可以给30系的卡使用，不保证稳定性。

  链接：https://pan.baidu.com/share/init?surl=NTxi4ftMBHR5MTRfQNNY3g
  提取码： jcbh

3.安装过程

直接whl包安装即可
安装cuda和cudnn如下：

conda install cudatoolkit=11.2 -c conda-forge

conda install cudnn=8.1.0 -c conda-forge

4.实际测试：

测试代码

import tensorflow as tf
from numpy.random import RandomState

# 定义训练数据batch的大小
batch_size = 8

# 定义神经网络参数
w1 = tf.Variable(tf.random_normal([2, 3], stddev=1, seed=1))
w2 = tf.Variable(tf.random_normal([3, 1], stddev=1, seed=1))

# 在shape的一个维度上使用None可以方便使用不同的batch大小
x = tf.placeholder(tf.float32, shape=(None,2), name='x-input')
y_ = tf.placeholder(tf.float32, shape=(None, 1), name='y-input')

# 前向传播
a = tf.matmul(x, w1)
y = tf.matmul(a, w2)

# 损失函数和反向传播
y = tf.sigmoid(y)
cross_entropy = -tf.reduce_mean(y_*tf.log(tf.clip_by_value(y, 1e-10, 1.0))
                                + (1-y_)*tf.log(tf.clip_by_value(1-y, 1e-10, 1.0)))
train_step = tf.train.AdamOptimizer(0.001).minimize(cross_entropy)

# 随机生成一个模拟数据集
rdm = RandomState(1)
dataset_size = 128
X = rdm.rand(dataset_size, 2)
# 定义规则来给出样本标签， x1+x2<1的样例都认为是正样例，其他为负。
Y = [[int(x1+x2 < 1)] for (x1,x2) in X]

# 创建一个会话来运行Tensorflow程序
with tf.Session() as sess:
    init_go = tf.global_variables_initializer()
    # 初始化变量
    sess.run(init_go)
    
    # 训练之前的参数
    print('parameter w1 before train: ', sess.run(w1))
    print('parameter w2 before train: ', sess.run(w2))
    
    STEPS = 5000
    for i in range(STEPS):
        # 每次迭代取batch_size个样本进行训练
        start = (i*batch_size) % dataset_size
        end = min(start+batch_size, dataset_size)
        
        # 通过训练样本训练神经网络并更新参数
        sess.run(train_step, feed_dict={x: X[start:end], y_: Y[start:end]})
        if i%1000 == 0:
            # 每隔1000步计算所有数据集上的交叉熵并输出
            total_cross_entropy = sess.run(cross_entropy, feed_dict={x: X, y_: Y})
            print('After %d training_steps, cross entropy on all data is %g'%(i,total_cross_entropy))
    
    # 训练之后的参数
    print('parameter w1 after train: ', sess.run(w1))
    print('parameter w2 after train: ', sess.run(w2))

运行结果：

备注： 基本的代码能够运行起来，但似乎对显存占用的更高。没有tflite模块。
其他的待测试。