windows 上面的tensorflow-GPU、cuda、cudnn 安装

安装说明

平台:目前可在Ubuntu、Mac OS、Windows上安装 
版本:提供gpu版本、cpu版本 
安装方式:pip方式、Anaconda方式 
Tips:

  1. 在Windows上目前支持python3.5.x
  2. gpu版本需要cuda8,cudnn5.1


安装进度

2017/3/4进度: 
Anaconda 4.3(对应python3.6)正在安装,又删除了,一无所有了 
2017/3/5进度: 
Anaconda 4.3(对应python3.6)get 
Anaconda中python3.5.2get 
tensorflow1.0.0get



行文思路

在看别人教程时候总遇到些没见过的名词,让人望而生畏。 
所以索性从名词解释开始。 
然后讲述TensorFlow的安装和简单示例。 
作为自己的笔记, 
也希望像我一样的小白看到这篇教程能觉得做起来很顺畅!



CUDA

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。 开发人员现在可以使用C语言来为CUDA?架构编写程序,C语言是应用最广泛的一种高级编程语言。所编写出的程序于是就可以在支持CUDA?的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。 
计算行业正在从只使用CPU的“中央处理”向CPU与GPU并用的“协同处理”发展。为打造这一全新的计算典范,NVIDIA?(英伟达?)发明了CUDA(Compute Unified Device Architecture,统一计算设备架构)这一编程模型,是想在应用程序中充分利用CPU和GPU各自的优点。现在,该架构已应用于GeForce?(精视?)、ION?(翼扬?)、Quadro以及Tesla GPU(图形处理器)上。 
来自百度百科。

(所以我的A卡是用不成它的)

Anaconda

Anaconda是由Python提供支持的领先的开放数据科学平台。 Anaconda的开源版本是Python和R的高性能分发版本,包括超过100个用于数据科学的最流行的Python,R和Scala软件包。 
来自Anaconda官方下载页面 
具体使用见Anaconda官方教程,简单易懂!



Anaconda初步学习

0.下载Anaconda安装包:Anaconda官方下载地址 
我下载的是Anaconda4.3.0For Windows 64bit(内置python3.6) 
下载好了就安装,一直下一步。 
1.检查Anaconda是否成功安装:conda --version 
 
(嘻嘻,第一步成功了,开心点) 
2.检测目前安装了哪些环境:conda info --envs 
 
(只有一个呀!不怕,继续来!) 
3.检查目前有哪些版本的python可以安装:conda search --full-name python 
 
(好多呀,要哪个呢?嘻嘻当然是python3.5啦) 
4.安装不同版本的python:conda create --name tensorflow python=3.5 
(猜想输入python=3.5版本后,系统会自动选择一个3.5.x的版本吧) 
 
(python3.5.3要不要?实验室服务器上是3.5.2,统一好啦!) 
 
(好啦,GO!) 
 
(嘻嘻!安好啦!又离成功近了一步!) 
5.按照提示,激活之:activate tensorflow 
 
(嘻嘻它有了一顶小帽子~代表我的当前环境哦) 
6.确保名叫tensorflow的环境已经被成功添加:conda info --envs 
 
(Bravo!) 
7.检查新环境中的python版本:python --version 
 
(^^开心开心~) 
8.退出当前环境:deactivate 
 
(小帽子掉了) 
9.切换环境:activate tensorflow 
 
想切换到哪个环境就 activate哪个~ 
这篇文章既然是安装tensorflow的,当然要avtivate tensorflow! 
小妖精!我来了!

PS:想了解更多请看Anaconda官方教程,简单易懂好上手!别乱搜网上的教程,没有官方教程看着清爽!



TensorFlow安装 
本文是将tensorflow在原生windows系统上安装, 
采用anocanda的安装方式, 
安装的是cpu版本(嗯,作为AMD的显卡,掩面哭)

Anaconda 4.3.0.1(带有python3.6) 
在Anaconda里面配了python3.5.2 
下面是今天的主角!(噼里啪啦)

1.按照官网的指示: 
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

 
(好吧,先是打错,接下来又这样!我不知道该怎么办了(ㄒoㄒ)/~~) 
2.另一种尝试:pip install tensorflow

 
(划重点了,原来是这样子!我是AMD的卡,对应的不一样!) 
3.确认tensorflow安装成功: 
错误尝试:直接在cmd里面键入python,然后键入import tensorflow as tf

 
(小伙子默认的是python3.6啊啊啊啊啊,要从anaconda进入刚刚装的那个python3.5里面哦!~)

正确尝试:进入Anaconda Prompt-python里面,进入安装的名叫tensorflow的环境(我们装的python3.5.2记得吗?~),键入python,然后再键入import tensorflow as tf 
在这里可以找到Anaconda Prompt-python: 
 

打开Anaconda Navigator(开始菜单->Anaconda 3->Anaconda Navigator),搞一个spyder玩,点击spyder下面的“install”,安装好就变成“Launch”了,点击就可以进去了。 

在spyder里对tensorflow说Hello! 

输出: 
 
(嘿嘿嘿哈哈哈我感觉我好像成功了!!!你呢?~~)

参考tensorflow官方文档,请上英文官网,中文社区似乎没有更新windows上的安装



TensorFlow例程上手

装了个新东西,我们先把它用起来吧! 
概念什么的跑完第一个小程序再看! 
找点成就感才好继续下去! 
示例来源:MINIST For ML Beginners

MINST数据集:

  1. 55000训练集,10000测试集,5000验证集
  2. 每张图片都是28pixels*28pixels

代码:

#获得数据集
from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets("MNIST_data/", one_hot=True)

import tensorflow as tf

#输入图像数据占位符
x = tf.placeholder(tf.float32, [None, 784])

#权值和偏差
W = tf.Variable(tf.zeros([784, 10]))
b = tf.Variable(tf.zeros([10]))

#使用softmax模型
y = tf.nn.softmax(tf.matmul(x, W) + b)

#代价函数占位符
y_ = tf.placeholder(tf.float32, [None, 10])

#交叉熵评估代价
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))

#使用梯度下降算法优化:学习速率为0.5
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)

#Session
sess = tf.InteractiveSession()

#初始化变量
tf.global_variables_initializer().run()

#训练模型,训练1000次
for _ in range(1000):
  batch_xs, batch_ys = mnist.train.next_batch(100)
  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})

#计算正确率
correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))

accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))

print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

运行结果:输出显示得到模型的准确率



结语

昨天花费了大半天部署环境,不但一无所获且搞得焦头烂额。今天再战,索性边做边写,好像和旁边的人在聊天一样。嗯,心情愉悦的时候容易做出东西。时间很宝贵,但还是希望你的学习曲线不要太陡峭,希望你能愉快地走进新领域。

原文地址:https://www.cnblogs.com/superjn/p/8577095.html

时间: 2024-10-07 12:04:20

windows 上面的tensorflow-GPU、cuda、cudnn 安装的相关文章

【软件安装与环境配置】ubuntu16.04+caffe+nvidia+CUDA+cuDNN安装配置

参考 1. ubuntu16.04+caffe+GPU+cuda+cudnn安装教程; 完 原文地址:https://www.cnblogs.com/happyamyhope/p/10592227.html

Ubuntu系统---安NVIDIA 驱动后 CUDA+cuDNN 安装

Ubuntu系统---安NVIDIA 驱动后  CUDA+cuDNN 安装 上接<Ubuntu系统---NVIDIA 驱动安装>.预配置环境:Ubuntu16.04 + GTX2080Ti + CUDA10.0 + yolo v3+Opencv3.4.2 这一步,紧接着“NVIDIA 驱动已安完”后的“CUDA安装”.根据Ubuntu16.04 + GTX2080T 在英伟达官网上选择合适的驱动,有很多版本可选这里选择了NVIDIA-Linux-x86_64-410.78.run .没安装之前

NVIDIA控制面板和CUDA+cudnn安装

一.NVIDIA控制面板 有时候我们想要打开NVIDIA控制面板,以前的方法和网上很多的教程是右键桌面就可以看到“NVIDIA控制面板“选项.但是我右键之后——哎?我的电脑坏掉了嘛?咋没有呢?砸了砸了... 查了下资料,英伟达NVIDIA驱动有DHC版和标准版,默认提供给Windows 10用户的就是DCH版驱动.DCH版本没有NVIDIA控制面板.所以,咱们就见不到那个赏心悦目的绿色图标了. 网上有一种解决办法,是安装NVIDIA控制面板,但是存在问题.从windows的商店里下载NVIDIA

将windows上面的项目拷贝到Linux环境下报错不能够找到对应的表com.mysql.jdbc.exceptions.jdbc4.MySQLSyntaxErrorException: Table &#39;puyang.ServiceType&#39; doesn&#39;t exist

将一模一样的项目从win迁移到到linux上报错: 一开始还是以为是linux不能识别hql语句,查找资料发现是因为Liunx服务器上mysql是区分大小写的,而本地是不区分的如:代码是这样写的 @Entity@Table(name = "users") 数据库建的表名称是Users,那么就会出现以上异常. 将windows上面的项目拷贝到Linux环境下报错不能够找到对应的表com.mysql.jdbc.exceptions.jdbc4.MySQLSyntaxErrorExcepti

在Windows上玩TensorFlow(一)——安装Docker【转】

"谷歌"+"深度学习",两个标签让2015年12月才由谷歌开源的深度学习工具TensorFlow在其发布之后就迅速地成为了全球最为炙手可热的开源项目,2016年4月,开源的TensorFlow又支持了分布式特性,向着生产环境下的应用更进一步. TensorFlow API支持Python 2.7和Python 3.3+,共支持4种安装方式. Pip install Virtualenv install Anaconda install Docker install

redis 在windows 上面的安装和使用

redis作为nosql数据库,将数据存储到内存中,具有非常高的性能.下面讲解一下redis的安装及java api的使用. 1:redis 安装 windows 上面直接下载msi文件,安装: https://github.com/MSOpenTech/redis/releases/download/win-3.2.100/Redis-x64-3.2.100.msi 2:双击 redis-cli.exe 即进入redis 桌面客户端, 端口为6379 进行set,get操作 127.0.0.1

TensorFlow GPU版本的安装与调试

笔者采用python3.6.7+TensorFlow1.12.0+CUDA10.0+CUDNN7.3.1构建环境 PC端配置为GTX 1050+Intel i7 7700HQ 4核心8线程@2.8GHZ TensorFlow-gpu的安装经历实在是坎坷的很 首先显卡一定要支持 没想到的是GTX 1050TI,GTX 1070TI等主流显卡竟然都不支持 (还好我买的是GTX 1050) (并没有暗示需要一块TESLA) 点这里查看CUDA支持列表 其次需要对好版本号,不同的TensorFlow版本

Git 在 windows 上面的安装

参考博客: https://blog.csdn.net/xiezhongyuan07/article/details/79411299 将该作者的文章搬过来, 大家可以直接看上面的原文章. 下面是拷贝的内容: 1. 先开通git账号,或者gitHub账号. 2. 下载git .官网下载地址: https://git-scm.com/download/win  --(也可以是: https://git-scm.com/) 3. 下载图形化界面管理工具TortoiseGit.Win7, Vista建

ubuntu16.04 CUDA, CUDNN 安装

这次介绍的是使用 tensorflow1.8, cuda9.0, cudnn7.0的版本 https://developer.nvidia.com/cuda-90-download-archive 下载相应的cuda,推荐使用deb进行安装 sudo dpkg -i cuda-repo-ubuntu1604-9-0-local_9.0.176-1_amd64.deb sudo apt-key add /var/cuda-9-0-local/7fa2af80.pub sudo apt-get up