tensorflow-gpu的安装（包括CUDA,cudnn和keras）

秒速五厘米 2023-06-07 05:38 2阅读 0赞

想用下GPU加下速，所以折腾了一下在自己的笔记本上装上了tensorflow-gpu，经历了一番坑后总算是装上了。

先说下我的环境：

显卡：GTX 1050Ti

**windows10+CUDA9+CUDNN7+python3.5.6+tensorflow-gpu1.5.0+keras2.1.4**

另外：

pip：最新的19.2.3（最好升级到最新版，防止意外）

没用anaconda，全程直接用的pip安装。另外有个小贴士：直接用pip下载太慢，可以采用国内的镜像，只要在命令后加上下述的命令就行，地址随便填一下的下列的地址就行

-i destination

阿里云
    http://mirrors.aliyun.com/pypi/simple/
    
    中国科技大学
    https://pypi.mirrors.ustc.edu.cn/simple/
    
    豆瓣
    http://pypi.douban.com/simple/
    
    清华大学
    https://pypi.tuna.tsinghua.edu.cn/simple/
    
    中国科学技术大学
    http://pypi.mirrors.ustc.edu.cn/simple/

接下来是完整的安装步骤：

**一、安装CUDA：**

1.下载合适的版本：[https://developer.nvidia.com/cuda-90-download-archive][https_developer.nvidia.com_cuda-90-download-archive]（CUDA9.0）

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70][]

依次点击最左边的选项，然后会出现如下的选项：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 1][]

选择最上面的基础版本。

**2.打开刚才下载的应用程序进行安装：**

（1）先选择安装的位置

![20191026150647603.png][]

（2）点击ok后系统会自动检查你的电脑的兼容性判断你的系统是否能匹配

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 2][]

成功后选择接受协议。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 3][]

（3）接受协议后选择自定义安装，精简会安装许多你并不需要的东西。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 4][]

（4）只需要选择第一个中的四个选项

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 5][]

（5）安装时要记住号这三个文件的位置

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 6][]

**（5）安装完成后配置环境变量（我CUDA的真实安装的位置是F:\\software\\CUDA，上面那个图片是后面补的）**

其中有两个自动多出的系统变量：

![20191026153404174.png][]

除次之外还要自己添加几个系统变量：（一共有7条，找好自己的对应文件夹）

CUDA_BIN_PATH =%CUDA_PATH%\bin
    
    CUDA_LIB_PATH =%CUDA_PATH%\lib\Win32
    
    CUDA_SDK_PATH=F:\software\CUDA\Samples\common
    
    CUDA_SDK_BIN=%CUDA_SDK_PATH%\bin\Win32
    
    CUDA_SDK_LIB=%CUDA_SDK_PATH%\common\lib\Win32

（6）然后检测是否安装成功：

F:\\software\\CUDA\\CUDA\_Development\\extras\\demo\_suite（找到如下文件夹）

然后运行其中的bandwidthTest.exe和deviceQuery.exe

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 7][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 8][]

只要结果显示的是PASS就表示安装成功了。

**二、安装cudnn（[https://developer.nvidia.com/rdp/form/cudnn-download-survey][https_developer.nvidia.com_rdp_form_cudnn-download-survey]）**

会让你登录英伟达的账号，没有注册一个就好了。

下载好之后，解压，分别将include，lib/x64,bin文件下的.h,.lib,.dll文件copy到对应的cuda的文件夹下。

![20191026152319247.png][]

**三、安装tensorflow-gpu（一定要注意版本的对应）**

**1.先查一下自己对应的版本：（这里引用一张图**[https://blog.csdn.net/Sunny\_Future/article/details/89925101][https_blog.csdn.net_Sunny_Future_article_details_89925101]**）**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 9][]

**2.安装tensorflow-gpu:（我安装的是1.5.0）**

pip install tensorflow-gpu==1.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

**3.安装keras：和tensorflow也有对应的版本，不对应可能会报错。（引用一张图**[https://blog.csdn.net/weixin\_41673190/article/details/93909207][https_blog.csdn.net_weixin_41673190_article_details_93909207]**）**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 10][]

我安装的是2.1.4：

pip install keras==2.1.4 -i https://pypi.tuna.tsinghua.edu.cn/simple/

上述都装好后基本就大功告成了：

后面是测试代码：

# -*- coding: utf-8 -*-
    import keras
    from keras.datasets import mnist
    from keras.models import Sequential
    from keras.layers import Dense, Dropout
    from keras.optimizers import RMSprop
    import matplotlib.pyplot as plt
    import numpy as np
    batch_size = 128
    num_classes = 10
    epochs = 20
    
    #由于使用程序下载很困难，这里手动下载导入数据
     #the data, shuffled and split between train and test sets
    (x_train, y_train), (x_test, y_test) = mnist.load_data()
    
    '''
    path='F:/program_work/python_work/KerasTest/data/mnist.npz'
    f = np.load(path)
    x_train, y_train = f['x_train'], f['y_train']
    x_test, y_test = f['x_test'], f['y_test']
    f.close()
    '''
    
    x_train = x_train.reshape(60000, 784).astype('float32')
    x_test = x_test.reshape(10000, 784).astype('float32')
    x_train /= 255
    x_test /= 255
    print(x_train.shape[0], 'train samples')
    print(x_test.shape[0], 'test samples')
    
    # convert class vectors to binary class matrices
    # label为0~9共10个类别，keras要求格式为binary class matrices
    
    y_train = keras.utils.to_categorical(y_train, num_classes)
    y_test = keras.utils.to_categorical(y_test, num_classes)
    
    # 全连接模型
    model = Sequential()
    model.add(Dense(512, activation='relu', input_shape=(784,)))
    model.add(Dropout(0.2))
    model.add(Dense(512, activation='relu'))
    model.add(Dropout(0.2))
    model.add(Dense(num_classes, activation='softmax'))
    
    model.summary()
    
    #损失函数使用交叉熵
    model.compile(loss='categorical_crossentropy',
                  optimizer=RMSprop(),
                  metrics=['accuracy'])
    #模型估计
    model.fit(x_train, y_train,
                        batch_size=batch_size,
                        epochs=epochs,
                        verbose=1,
                        validation_data=(x_test, y_test))
    score = model.evaluate(x_test, y_test, verbose=0)
    print('Total loss on Test Set:', score[0])
    print('Accuracy of Testing Set:', score[1])
    
    #预测
    result = model.predict_classes(x_test)
    correct_indices = np.nonzero(result == y_test)[0]
    incorrect_indices = np.nonzero(result != y_test)[0]
    plt.figure()
    for i, correct in enumerate(correct_indices[:9]):
        plt.subplot(3,3,i+1)
        plt.imshow(x_test[correct].reshape(28,28), cmap='gray', interpolation='none')
        plt.title("Predicted {}, Class {}".format(result[correct], y_test[correct]))
    
    plt.figure()
    for i, incorrect in enumerate(incorrect_indices[:9]):
        plt.subplot(3,3,i+1)
        plt.imshow(x_test[incorrect].reshape(28,28), cmap='gray', interpolation='none')
        plt.title("Predicted {}, Class {}".format(result[incorrect], y_test[incorrect]))
        plt.show()

**运行中可能会出现警告，可能是因为numpy版本过高，可以改装较低的版本：**

>pip install numpy==1.16.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/

代码中还需要安装一个库：**maplotlib,**这里还用清华镜像下载时可能会报错，可以不用镜像或者换一个（这个库本身也不大）

到此就完全结束了。

pip insatll maplotlib

[https_developer.nvidia.com_cuda-90-download-archive]: https://developer.nvidia.com/cuda-90-download-archive
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70]: /images/20230601/6a054924f75243bdb84a2ee1edb11fc2.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 1]: /images/20230601/ca80965327f34d82926a78ffe18dcaf8.png
[20191026150647603.png]: /images/20230601/5b3582ec01c84832a4e0b4770b39e3cf.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 2]: /images/20230601/a14fd1a49d9846848c54502c1ab865ae.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 3]: /images/20230601/831101d37f784b5185e5936422ef894a.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 4]: /images/20230601/47905698b3dc48efbbcf144f1b341845.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 5]: /images/20230601/9408f6d78d0341fbafb67655192dd3a4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 6]: /images/20230601/b3e42532dc7f4d7e88f4dbc46eec47e3.png
[20191026153404174.png]: /images/20230601/5626d295fda34504bfd34f97d8ffe3d1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 7]: /images/20230601/9989ff645db8459eba071daed93f69eb.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 8]: /images/20230601/d91a078948574951b7f6c025c4432444.png
[https_developer.nvidia.com_rdp_form_cudnn-download-survey]: https://developer.nvidia.com/rdp/form/cudnn-download-survey
[20191026152319247.png]: /images/20230601/5bef9dce46e44784a74e958cc759ac2f.png
[https_blog.csdn.net_Sunny_Future_article_details_89925101]: https://blog.csdn.net/Sunny_Future/article/details/89925101
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 9]: /images/20230601/1dcdb3317cc742be8fb48fb06ac4d316.png
[https_blog.csdn.net_weixin_41673190_article_details_93909207]: https://blog.csdn.net/weixin_41673190/article/details/93909207
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzM4MjQ3NTQ0_size_16_color_FFFFFF_t_70 10]: /images/20230601/bbbf8b118d9942bba1fd77d86cd5e533.png