Windows搭建TensorFlow GPU环境

2023-05-16

一、CUDA安装

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。开发人员可以使用C语言来为CUDA架构编写程序，所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

我们可以安装CUDA来进行深度学习在NVIDIA的GPU显卡加速运算。

但是我们在安装CUDA之前，要先确认计算机上是否支持CUDA程序的NVIDIA显卡设备。

打开设备管理器，查看显示适配器是否有英伟达的显卡配置
在这里插入图片描述
如果计算机上没有NVIDIA显卡，则无法安装CUDA程序。
CUDA的安装很简单，就分成三步：
1、cuda的软件安装
2、cvDNN的神经网络加速库安装
3、配置环境变量

cuda软件安装

如何判断自己应该下载什么版本的cuda呢？
打开nvidia（桌面右键）->选择左下角的系统信息->组件
在这里插入图片描述
点击系统信息，查看cuda版本

可以看到我的最高支持版本是11.6
我们进入cuda软件下载的界面：CUDA下载页
进入后选择CUDA Toolkit 11.6.0版本

打开安装软件：路径可自行更改

在这里插入图片描述

这里我们选择自定义安装。

在组件CUDA一栏中，取消勾选Visual Studio Integration（因为我们并没有使用Visual Stduio环境，即使勾选上了也会安装失败）

在Driver components一栏比较Display Driver的新版本和当前版本的信息。若当前版本高于新版本，则取消勾选Display Driver；若若当前版本低于新版本，则保留默认安装信息即可，否则电脑会死机或者卡顿，甚至可能蓝屏。！！！
在这里插入图片描述
在CUDA的安装路径这里，保持默认就好，默然安装在C盘，一定一定不要修改。
一定一定要记住安装路径，因为后面配置环境要用到！！！

安装完成后，我们打开环境变量查看环境是否配置好了，打开系统变量：
在这里插入图片描述
如果系统变量没有自动配置的话，需要我们手动配置。路径是根据前面是否自己有没有修改来指定。↓

配置好环境变量后，我们检查下CUDA是否安装成功。打开cmd，输入以下命令查看CUDA是否安装成功（二选一）
如果不能显示以下信息，则说明安装失败。

nvcc -V

或

nvcc --version

在这里插入图片描述
还可以查看CUDA 设置的环境变量。

set cuda

在这里插入图片描述

cuDNN神经网络加速库安装

CUDA并不是实现GPU的神经网络加速库，如果希望针对的是神经网络进行加速，我们还需要安装cuDNN神经网络加速库。
cuDNN并非是应用程序，而是几个文件包，下载后把它复制到CUDA 的目录下即可。
cuDNN下载页：cuDNN下载页
在这里插入图片描述

注意！如果要下载cuDNN，必须要登录NVIDIA的账户。登录完成后才能下载。没登录过的先注册。
下载好安装包后，我们解压可以看到有四个文件：

将cuDNN的文件全部复制到cuda源文件夹v11.6下，复制后的文件展示：（有重复的文件是正常的，覆盖掉就好）
在这里插入图片描述
cuDNN其实就是CUDA的一个补丁而已，专为深度学习运算进行优化的，然后我们再添加环境变量！继续往下走。

配置环境变量

我们打开环境变量，在系统变量的path路径下添加以下路径：（具体要根据自己的安装路径下做调整）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include

配置好环境后，我们需要验证环境变量是否配置成功：
打开cmd，我们进入到以下路径：

cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite

然后分别执行以下两个命令：.\bandwidthTest.exe
和.\deviceQuery.exe
在这里插入图片描述

如果Result都为PASS的话则配置成功！

都安装好之后，我们可以继续输入nvidia-smi查看CUDA的信息，然后根据安装版本的信息再去实现其他的库（环境）安装和使用！
在这里插入图片描述如图所示，可以看到驱动的版本是512.92；最高支持的CUDA版本是11.6版本。

二、TensorFlow的gpu版本安装

国内利用pip命令下载安装经常会遇到下载速度很慢甚至连接断开、响应超时等导致安装失败的情况。这时，我们可以选择国内的镜像配置pip源，仅需要在“pip install”命令后加入“-i 源地址”即可。
现在我们利用国内清华源安装TensorFlow的最新版本。
打开cmd，以下命令安装：

pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

“-U”参数指定如果已安装此包，则进行升级命令。
安装好后，我们检测是否安装成功：
进入python环境，打开ipython交互命令终端，导包：import tensorflow as tf

若无错误信息，输入

tf.test.is_gpu_available()

会返回tensorflow的gpu版本信息。
在末尾如果显示True，则tensorflow的gpu版本安装成功；若为False，则说明安装失败，需要重新检查CUDA，cuDNN的安装及其环境变量的配置。注意看返回的错误信息，重点检查CUDA和cuDNN的版本和tensorflow的版本是否匹配！
在这里插入图片描述
或者输入

tf.config.list_physical_devices('GPU')

还能查看服务类型。
在这里插入图片描述
还可以查看TensorFlow的版本信息：

tf.__version__

在这里插入图片描述
后面如果我们通过tensorflow进行模型训练，系统会自动使用GPU来训练，不用我们自己手动设置。

转自：https://blog.csdn.net/weixin_56197703/article/details/125192385

本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)