как установить cudnn в windows 10
How to Install Cuda 10 and cuDNN for Tensorflow-GPU on Windows 10
Requirements:
Jun 24, 2019 · 3 min read
CUDA compatible GPU
Fast and Stable Internet connection
Time: Approximately 15–45 mins depending on your comfort with downloading and installing files.
Part A>
Visual Studio
Part B>
CUDA Toolkit version 10
Part C>
cuDNN library
you can copy the cudnn64_7.dll file directly into the CUDA folder’s bin folder path (note: you don’t need to create any new subfolders):
As with the cudnn64_7.dll file above, after downloading and unzipping the cuDNN folder, the header file cudnn64.h can be found in the path:
Again, assuming that you in s talled CUDA 10.0 into the default path as I did at Step 2.3, copy cudnn.h directly into the CUDA folder with the following path (no new subfolders are necessary):
Copy cudnn.lib directly into the CUDA folder with the following path:
In Windows 10, the Environment Variables can be found by choosing:
This opens up a window called “System Properties” (Fig 17), at which point the “Environment Variables” button should be chosen.
When the Environment Variables window then appears, within “system variables” (in the bottom half of the window), click on “Path” and choose the button “edit”. A new window will appear, called “Edit environment variable” as shown in Fig 18 below.
Fig 18: Default paths previously created during CUDA 9.0 installation process
That’s it. All the credits go to this article, I just updated it as I was not able to follow that myself for current changes. Thanks. Have a great day.
Русские Блоги
Установка CUDA и CUDNN под Win10 (Super Detail)
Каталог статьи
CPU и GPU
Отношения и разница в процессоре и гг.
Как видно из вышеуказанного рисунка GPU (процессор изображения, графический блок обработки графики) с участием ЦП (центральный процессор, Central Processing Unit ） Основное отличие в конструкции состоит в том, что GPU имеет более эксплуатационные единицы (как зеленый алу на рисунке), а блоки управления и кэша не так много процессоров, поскольку GPU выполняет в то же время, когда GPU рассчитывается параллельно. Программа не требует слишком много контроля. Блок кэша используется для выполнения кэша данных, и CPU может уменьшить количество доступа первичную память Cache, который должен уменьшить задержку памяти. memory latency ). Кэш в GPU небольшой или нет, потому что GPU может уменьшить задержки памяти параллельными вычислениями. Следовательно, конструкция CPU CAHCE в основном для достижения низких задержек, и контроль является в основном универсальным, и комплексные блоки управления логическими управляющими гарантируют, что ЦП является высокоэффективным задачами и инструкциями. Следовательно, процессор хорош в логическом контроле, который является последовательным расчетом, а GPU хорош при высокоинтенсивных расчетах, что параллельно. Например, графический процессор похоже на тысячи трудностей. Все сухие, и нет зависимости, что является независимым, простой, более мощным; ЦП похож на пакет, хотя и способен усердно работать, но есть меньше людей, поэтому Как правило, они несут ответственность за распределение задач, планирование персонала и другую работу.
Видно, что ускорение GPU реализуется параллельно через большое количество потоков, поэтому ГПУ не влияет на работу, которая не может быть очень параллельной. ЦП является последовательной операцией и требует сильной универсальности, в основном играющей роль общего управления и задачи распределения.
2. Что такое CUDA?
CUDA (вычислить единую архитектуру устройства, унифицированную вычислительную архитектуру) Это интеграционная технология, запущенная NVIDIA, которая является официальным названием компании для GPGPU. Через эту технологию пользователи могут использовать NVIDIA GeForce 8 Последний GPU и новейший Quadro GPU рассчитываются. Это также первый раз, когда вы можете использовать GPU в качестве среды разработки C-компилятора. Когда NVIDIA Marketing компилятор часто смешивается с архитектурой, вызывая путаницу. На самом деле, CUDA может быть совместима с OpenCL или вашим собственным C-компилятором. Будь то CUDA C-Language или OpenCL, команда в конечном итоге будет преобразована в код PTX и будет настроен.
3. Что такое CUDNN?
NVIDIA cuDNN Это ускоритель GPU для глубоких нейронных сетей. Это подчеркивает производительность, простоту использования и низкую накладную расход памяти. NVIDIA cuDNN Он может быть интегрирован в более высокий уровень структуры машинного обучения, таких как Tensorflow Google, популярное программное обеспечение Caffe в Беркли, штат Калифорния. Простой плагин дизайн позволяет разработчикам сосредоточиться на проектировании и внедрении моделей нейронных сетей, а не простых регулировков, а также реализуя высокую производительность современных параллельных вычислений на графическом процессе.
4. Отношения между Куда и CUDNN
Официальный учебник по установке
CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html
cuDNN：https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows
5. Установка
5.1 Установка CUDA
CUDA10 Установочный пакет можно загрузить непосредственно с веб-сайта NVIDIA.
Согласно соответствующему варианту системы, я выбираю cuda_10.1.243_426.00_win10.exe (Размер 2,3 г), рекомендуется выбирать при установке настроить Вместо «оптимизация» (Из английского объяснения, его можно увидеть, на самом деле, охватывание оптимизации должна быть более подходящей, она будет установлена все компоненты и перезаписать существующий драйвер, но я не хочу устанавливать ведро Full-Family, пусть Один мой официальный драйвер видеокарты, чем новый).
Дважды щелкните, чтобы установить:
Настроить переменные среды
Проверьте, настроен ли он
5.2 Установка CUDNN
После завершения установки вам нужно скачатьСоответствующая версия, соответствующая CUDAизcuDNNПосле того, как страница загрузки, показанной ниже, после завершения загрузки поместите все файлы в этом сжатом пакете в каталог установки CUDA10 в соответствии с папкой.
Добавьте переменную среды
Добавить переменные среды: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64
6. Ссылка
7. Примечание:
Невозможно построить процессор GPU с помощью AnaConda. Невозможно построить окружающую среду!
Интеллектуальная рекомендация
AlamoFire Source Severtation Series (12) ось времени (временная шкала)
Эта статья приносит некоторые идеи о временной шкале в AlamoFire Преступность Перевод Timeline означает, что временная шкала может представлять событие с начала до конца узла времени. Концепция времен.
Анализ разницы между iOS initWithFrame, initWithCoder, awakeFromNib
Исследование соответствия типовых версий рамы
Установка
Инструменты Visual Studio для сценариев ИИ можно устанавливать в 64-разрядных операционных системах Windows.
Установка Visual Studio Tools for AI
Это расширение работает с Visual Studio 2015 и Visual Studio 2017 выпуска Community или более высокого уровня.
Скачать эти средства можно с сайта Visual Studio Marketplace или из Visual Studio.
Выберите Сервис > Расширения и обновления.
В диалоговом окне Расширения и обновления выберите Online (Онлайн) с левой стороны.
В поле поиска в правом верхнем углу введите «tools for ai» (средства ИИ).
В результатах выберите Visual Studio Tools for AI (Средства Visual Studio для ИИ).
Нажмите кнопку Скачать.
Подготовка локального компьютера
Перед обучением моделей глубокого обучения на локальном компьютере убедитесь в том, что установлены требуемые компоненты. В их число входят последние версии драйверов и библиотек для GPU NVIDIA (если применимо). Убедитесь также в том, что установлены среда и библиотеки Python, такие как NumPy и SciPy, и соответствующие платформы глубокого обучения, такие как Microsoft Cognitive Toolkit (CNTK), TensorFlow, Caffe2, MXNet, Keras, Theano, PyTorch и Chainer, которые планируется использовать в проекте.
Краткие сведения о программном обеспечении в следующих подразделах взяты с домашних страниц соответствующих продуктов.
Драйвер GPU NVIDIA
Платформы глубинного обучения используют GPU NVIDIA, чтобы повысить скорость, точность и масштаб обучения искусственного интеллекта. Если на компьютере установлены видеоадаптеры NVIDIA, ознакомьтесь со страницей скачивания драйверов NVIDIA или попробуйте обновить операционную систему, чтобы установить последнюю версию драйвера.
CUDA — это платформа параллельных вычислений и модель программирования, разработанная компанией NVIDIA. Она существенно увеличивает производительность вычислений благодаря использованию возможностей GPU. В настоящее время для платформ глубинного обучения требуется набор инструментов CUDA 8.0.
cuDNN
cuDNN (CUDA Deep Neural Network library, библиотека CUDA для глубинных нейронных сетей) — это GPU-ускоренная библиотека примитивов для глубинных нейронных сетей от NVIDIA. Для новейших платформ глубинного обучения требуется cuDNN v6.
Более ранние платформы глубинного обучения, такие как CNTK 2.0 и TensorFlow 1.2.1, требуют библиотеки cuDNN v5.1. Можно одновременно установить несколько версий cuDNN.
Python
Python является основным языком программирования для приложений глубинного обучения. Требуется 64-разрядный дистрибутив Python. Для обеспечения максимальной совместимости рекомендуется версия Python 3.5.4.
Установка Python в Windows
Платформы глубинного обучения требуют pip для установки.
Затем необходимо проверить, правильно ли установлен Python 3.5, и обновить систему pip до последней версии, выполнив в терминале следующие команды:
Windows
macOS
Python в Visual Studio
Python полностью поддерживается в Visual Studio благодаря расширениям. Получите дополнительные сведения об установке Инструментов Python для Visual Studio.
NumPy и SciPy
NumPy — это пакет обработки массивов общего назначения, который предназначен для эффективной работы с большими многомерными массивами произвольных элементов и в то же время позволяет работать с небольшими многомерными массивами без значительного снижения быстродействия.
SciPy (произносится «сай пай») — это программное обеспечение с открытым кодом для математических, научных и инженерных вычислений, которое зависит от NumPy. Начиная с версии SciPy 1.0.0 предлагается официальный предварительно собранный пакет wheel для Windows.
Чтобы установить NumPy и SciPy, выполните в терминале следующую команду:
Приведенная выше команда обновляет существующие старые и неофициальные пакеты NumPy и SciPy (например, пакеты сторонних разработчиков для Windows со страницы http://www.lfd.uci.edu/
gohlke/pythonlibs/ ) до последних официальных версий пакетов.
Microsoft Cognitive Toolkit (CNTK)
Microsoft Cognitive Toolkit — это единый набор средств глубинного обучения, который описывает нейронные сети как ряд вычислительных шагов в виде направленного графа. CNTK поддерживает языки программирования Python и BrainScript.
В настоящее время CNTK не поддерживает macOS.
Сведения об установке пакета CNTK для Python см. в этой статье.
TensorFlow
TensorFlow — это библиотека ПО с открытым кодом для числовых вычислений с использованием графов потоков данных. Подробные инструкции по установке см. здесь.
Начиная с версии 1.2 TensorFlow больше не предоставляет поддержку GPU в macOS.
Caffe2
Caffe2 — это простая, модульная, масштабируемая платформа глубинного обучения. Она построена на основе платформы Caffe и призвана обеспечить максимальное быстродействие и модульность.
В настоящее время готовый пакет wheel на Python для Caffe2 отсутствует.
Сведения о том, как выполнить сборку на основе исходного кода, см. здесь.
MXNet
Apache MXNet (инкубатор) — это платформа глубинного обучения, призванная обеспечить максимальную эффективность и гибкость. Она позволяет сочетать символическое и императивное программирование для достижения максимальной эффективности и продуктивности.
Чтобы установить MXNet, выполните в терминале следующую команду:
Keras
Keras — это высокоуровневый API для нейронных сетей, написанный на Python, который может работать поверх CNTK, TensorFlow или Theano. Главной целью при его разработке являлось обеспечение быстрого проведения экспериментов. Минимальная задержка на пути от идеи к результату — ключевой фактор успешного исследования.
Чтобы установить Keras, выполните в терминале следующую команду:
Theano
Theano — это библиотека Python, которая позволяет эффективно определять, оптимизировать и вычислять математические выражения с многомерными массивами.
Чтобы установить Theano, выполните в терминале следующую команду:
PyTorch
PyTorch — это пакет Python, который представляет две высокоуровневые возможности:
Чтобы установить PyTorch, выполните в терминале следующую команду:
Windows
Официального пакета wheel пока нет. Можно загрузить сторонний пакет из Anaconda или Калифорнийского университета.
Распакуйте его в домашнем каталоге, например C:\Users\test\pytorch.
Добавьте каталог C:\Users\test\pytorch\Lib\site-packages в переменную среды %PYTHONPATH%.
macOS
Двоичные файлы macOS не поддерживают CUDA. Если требуется CUDA, выполните установку из источника.
Linux
Этот пакет поддерживает как GPU, так и ЦП.
Наконец, установите torchvision в ОС, отличных от Windows:
Chainer
Chainer — это платформа глубинного обучения на основе Python, призванная обеспечить гибкость. Она предоставляет интерфейсы API автоматической дифференциации на основе подхода define-by-run (динамические вычислительные графы), а также высокоуровневые объектно-ориентированные интерфейсы API для построения и обучения нейронных сетей.
Чтобы включить поддержку CUDA, установите CuPy:
В Windows требуется версия 2015 среды Visual Studio или Microsoft Visual C++ Build Tools для компиляции CuPy с использованием CUDA 8.0.
Чтобы установить Chainer, выполните в терминале следующую команду:
Installing cuDNN for GPU support with TensorFlow on Windows 10
It has been a while since I wrote on this platform, as if I had almost forgotten about it 😛 But here I am again, and I have a bunch of long written posts that I will be rolling out at shorter intervals, and not just installation stuff, I promise 😛
So as I am pursuing a master’s degree in Computer Science, I had to write a term paper (ugh I hate them!) about some modern use of parallel programming. That’s when I chanced upon CUDA for deep neural networks (or cuDNN). Now this may not sound too modern, but it still is quite unknown for beginners like me (I am always a beginner, believe me).
CuDNN is actually a popular library that can be used with many modern deep learning frameworks like Tensorflow, Pytorch and Caffe to utilize the GPU on your computer. Thus this post assumes that your computer already has a NVIDIA CUDA-enabled GPU.
NOTE: If you have an AMD GPU, this post won’t work. You can instead try this out.
You will also need Visual Studio Express Community Version 2017 or higher for CUDA to work properly on your computer.
Begin with CUDA
So let’s start by downloading the CUDA toolkit for Windows 10 from here. I had installed the 10.1 version for stability, but 10.2 is the current version offered. This is also necessary to check as we’ll need to check its compatibility with the version of TensorFlow that we install.
It performs all the system checks and also checks for requisites. So if you forgot to install Visual Studio earlier, this installer will remind you again! Also, stick with all the default options in the installer. We do not want to customize anything.
Sometimes, an Nvidia GeForce Experience window opens up and will prompt you to sign up to Nvidia. You can skip this step if you want for now. I went ahead and signed up as signing in is required for downloading cuDNN.
Installing cuDNN
The next step is to download the corresponding cuDNN package for CUDA 10.1. You will find it here. For me, the version was 7.6.5.32. Just to be sure, you can always check TensorFlow website to check version compatibility for GPU.
Unzip the cuDNN files. The path should look somthinglike this:
Let’s call this path A. Now, we want to use just 3 files from this package. Start with the bin folder inside the above path. Copy the cudnn64_7.dll file.
Now go the following path (let’s call it path B):
Here you will find another bin folder. Paste this file in this folder.
Similarly, copy cudnn.h from the include folder in path A, and paste it in the include folder in path B. Again, copy cudnn.lib from lib\x64 folder in path A and paste it in corresponding folder in path B.
Check Environment variables
In Windows 10, do this by going to Control Panel → Systems and Security → System → Advanced System Settings.
When a window opens up, go to the Advanced tab and click on the Environment Variables button at the bottom.
Then you need to go to the Path variable in the System variables tab and double click to see something like this:
Python
If you do not have python already installed, get it here. I have version 3.7.5 and it is compatible with TensorFlow 2.1.0 (which I will be using). Check your compatibility here before moving ahead.
Anaconda
Anaconda is a popular platform for practicing data science. It comes bundled with some amazing editors and IDEs, along with various basic machine learning libraries pre-installed (for most versions).
We will be ensuring that our code does not affect other files or installations on the system. So we will be using a virtual environment for our experiments. This article gives a gentle introduction to virtual environments.
I had previously written a post for installing Anaconda on Ubuntu. Now, for windows, all you need is to download the installer from here and run it. All dependencies are taken care of.
TensorFlow
TensorFlow is a powerful machine learning platform by Google. It is one of the most used platform by many leading organizations for their machine learning development, and is easy to get started with. It has thousands of machine learning algorithms available as packages, so it saves a lot of time for users.
We want to use TensorFlow with GPU support. For people who do not have a GPU, a standard TensorFlow can be installed.
Start by opening an Anaconda prompt in your desired folder. You can do this by opening a prompt from Windows Start and then navigating to your folder.
Now create a virtual environment by using command
Here, the mygpuenv is the name of my virtual environment. You can choose any other name.
The next step is to boot this newly created environment, using command
You will see each prompt starting with (mygpuenv) from now, till you deactivate it.
2. Install TensorFlow
Now, we will install TensorFlow with GPU support inside this environment, using the command
This step gave me an installation of version 2.1.0.
We need to check if the python installation uses tensorflow-gpu in the environment. To do this, start a python prompt by the following command and press enter.
Now type the following piece of code and press enter after each line.
Ta Da! You have now successfully installed cuDNN and are ready to use it with TensorFlow for speeding up your machine learning models.
I will have another post after this to demonstrate the speedup. You can try it out in the meantime. There is no change to the models or any part of the program.
Установка Tensorflow с поддержкой CUDA, cuDNN и GPU в Windows 10
Дата публикации Apr 3, 2019
ВЧасть 1В этой серии я рассказал о том, как вы можете модернизировать аппаратное обеспечение своего ПК, добавив в него видеокарту, совместимую с CUDA Toolkit, например графический процессор Nvidia. В этой части 2 рассматривается установка CUDA, cuDNN и Tensorflow в Windows 10. В данной статье предполагается, что на вашем компьютере уже установлен CUDA-совместимый графический процессор; но если у вас этого еще нет,Часть 1из этой серии поможет вам настроить аппаратное обеспечение, готовое к этим шагам.
Шаг 1: Проверьте программное обеспечение, которое вам нужно установить
Шаг 2: Загрузите Visual Studio Express
Visual Studio является обязательным условием для CUDA Toolkit
Visual Studio требуется для установки Nvidia CUDA Toolkit (это обязательное условиеВот). Если вы попытаетесь загрузить и установить CUDA Toolkit для Windows без предварительной установки Visual Studio, вы получите сообщение, показанное на рис. 1.
Выбор и загрузка Visual Studio Express
На момент написания этой статьи самой последней версией Visual Studio (которая является бесплатной) является Visual Studio Express Community Version 2017, показанная на рис. 2. Предыдущие версии Visual Studio можно бесплатно получить, присоединившись к «Visual Studio Dev Essentials”И затем ищите нужную версию Visual Studio.
Установка Visual Studio Express
После того, как вы загрузили Visual Studio Express, его установка проста. На рис. 3 показан исполняемый файл, который вы получаете в качестве загрузки.
Когда вы нажимаете опцию «сохранить файл» на рис. 3, появляется окно на рис. 4, где вы можете установить параметры установки (или просто оставить их, как они есть по умолчанию, как я).
Во время установки Visual Studio предложит вам whetherхочу продолжить без нагрузки». Я нажал «продолжить», поскольку не собирался использовать рабочие нагрузки вообще.
Может потребоваться перезагрузка компьютера после установки Visual Studiod
Шаг 3: Загрузите CUDA Toolkit для Windows 10
Эти шаги установки CUDA основаны наРуководство по установке Nvidia CUDA для Windows, Набор инструментов CUDA (бесплатный) можно загрузить с веб-сайта NvidiaВот,
На момент написания по умолчанию предлагается версия CUDA Toolkit версии 10.0, как показано на рис. 6. Однако вам следует проверить, какую версию CUDA Toolkit вы выбрали для загрузки и установки, чтобы обеспечить совместимость с Tensorflow (в будущемШаг 7этого процесса). Когда вы идете наВеб-сайт Tensorflow, последняя доступная версия Tensorflow (1.12.0) требуетCUDA 9.0не CUDA 10.0. Чтобы найти CUDA 9.0, вам нужно перейти к «Legacy Releases» в нижней правой части рисунка 6.
Шаг 3.1: Загрузка CUDA 9.0 из архива инструментария CUDA
Шаг 3.2: Установка CUDA 9.0
CUDA 9.0 поставляется как базовая установка и четыре патча; Сначала необходимо установить базовую версию CUDA 9.0, а затем патчи. Варианты базовой установки, которые я выбрал, показаны на рис. 8.
Запуск только что загруженного базового установщика приведет к появлению окна CUDA Setup Package, как показано на рисунке 9.
Рис. 11 дает возможность выбрать место установки; Я выбрал расположение по умолчанию, которое для CUDA:
На рисунке 12 ниже показаны установки CUDA, основанные на Visual Studio, ранее установленной вШаг 1,
Нажатие «Далее» в окне, показанном на рис. 12 выше, дает окно окончательной установки, показанное как рис. 13 ниже, где установщик NVIDIA отмечен как завершенный.
Шаг 4: Загрузите исправления CUDA для Windows 10
На момент написания этой книги было четыре патча CUDA (а также базовый установщик), так что давайте пойдем и загрузим их. Они показаны на фиг.14.
Шаг 5: Загрузите и установите cuDNN
После установки базового установщика CUDA 9.0 и его четырех исправлений следующим шагом будет поиск совместимой версии CuDNN. Основываясь на информации на веб-сайте Tensorflow, для поддержки Tensorflow с графическим процессором требуется версия cuDNN по адресуминимум 7,2,
Шаг 5.1: Загрузка cuDNN
Для того, чтобыскачать CuDNNВы должны зарегистрироваться, чтобы стать участником программы разработчиков NVIDIA (которая бесплатна).
Когда вы создаете учетную запись, входите в систему и заполняете некоторые другие необходимые сведения о том, почему вы используете учетную запись, вы получаете страницу загрузки, показанную на рис. 16.
Шаг 5.2: Распаковка файлов cuDNN и копирование в папки CUDA
В приведенных ниже инструкциях я ссылаюсь на путь к папке «C: \ Users \ жо \ Documents \ cuDNN_downloads \»(Упоминается чуть выше) как« », Такой, что zip-файл теперь находится в пути:
В разархивированных подкаталогах папки cuDNN находятся три файла, которые нужно скопировать в каталоги CUDA Toolkit. Это cudnn64_7.dll, cudnn.h и:
1. cudnn64_7.dll
cudnn64_7.dll можно найти по следующему пути в загруженных файлах cuDNN:
Предполагая, что вы установили CUDA 9.0 по пути по умолчанию (как я сделал вШаг 2.3), а именно следующий путь по умолчанию:
Вы можете скопироватьcudnn64_7.dllфайл прямо в папку CUDAбункерПуть к папке (примечание: вам не нужно создавать какие-либо новые подпапки):
2. cudnn.h
Как и в случае с файлом cudnn64_7.dll, приведенным выше, после загрузки и разархивирования папки cuDNN файл заголовкаcudnn64.hможно найти в пути:
Опять же, предполагая, что вы установили CUDA 9.0 в путь по умолчанию, как я сделал вШаг 2.3скопироватьcudnn.hнепосредственно в папку CUDA по следующему пути (новые подпапки не нужны):
3. cudnn.lib
.Lib файлcudnn.libможно найти в загруженном пути cuDNN:
Скопируйте cudnn.lib непосредственно в папку CUDA по следующему пути:
Шаг 5.3: Проверка того, что переменные среды CUDA установлены в Windows
Наконец,инструкции на нвидииубедитесь, что вы ранее установили переменную среды CUDA следующим образом:
В Windows 10 переменные среды можно найти, выбрав:
Панель управления->Система и безопасность->система->Расширенные настройки системы,
Откроется окно «Свойства системы» (рис. 17), в котором следует выбрать кнопку «Переменные среды».
Когда появится окно «Переменные среды», в «системных переменных» (в нижней половине окна) нажмите «Путь» и нажмите кнопку «Изменить». Появится новое окно под названием «Редактировать переменную среды», как показано на рисунке 18 ниже.
Шаг 6: Установите Python (если у вас его еще нет)
Теперь, когда CUDA и cuDNN установлены, пришло время установить Python для последующей установки Tensorflow. На момент написания самой последней доступной версии Python 3 является Python 3.7, ноВерсии Python 3, необходимые для Tensorflow: 3.4, 3.5 или 3.6, Python 3.6 можно загрузить для Windows 10 сВот, Когда вы запустите установщик Python для окон, появится окно настройки на Рис. 19.
Из вариантов, показанных на рис. 19 выше, во время установки Python я решил выбрать все из них. Эти параметры полезны: установщик Python «pip» используется наШаг 7.2этого руководства по установке Tensorflow. Кроме того, я использую IDE (интегрированную среду разработки для написания и запуска кода Python) под названием «IDLE» вШаг 8,
В «Расширенных настройках» (показанных на Рис. 20 ниже) я выбрал установку Python для всех пользователей (которая не была отмечена по умолчанию); это дает более полезную системную установку.
Шаг 7: Установите Tensorflow с поддержкой GPU
Tensorflowпредоставляет инструкциидля проверки правильности добавления каталогов установки CUDA, cuDNN и (необязательно: CUPTI) в переменные среды PATH. Поскольку три файла cuDNN были скопированы в подпапки CUDA, я не обновил существующий путь переменных среды CUDA.
Шаг 7.1: вызов командной строки с правами администратора
На этом этапе выполняется общесистемная установка Tensorflow, а не установка для каждого пользователя. Общесистемная установка Tensorflow требует прав администратора, поэтому, соответственно, командная строка должна запускаться с правами администратора.
Откройте командную строку, запустив ‘CMD’В строке поиска, а затем щелкните правой кнопкой мыши в командной строке, чтобы выбрать« Запуск от имени администратора ». Это открывает Администратор: Командная строка, как показано на рисунке 21.
Шаг 7.2: Общесистемная установка Tensorflow через Python pip
После открытия командной строки общесистемная команда установки для Tensorflow с поддержкой GPU выглядит следующим образом:
Команда «pip3» (в отличие от «pip») требуется, так как установка выполняется в Python 3. Выполнение этой команды в командной строке показано на рисунке 22.
Результирующий вывод команды показан на рисунке 23, и, если все пойдет по плану, в конечном итоге должно появиться сообщение, подтверждающее, что Tensorflow был успешно установлен.
Шаг 8: Тестовая установка TensorFlow и его доступ к GPU
Перейдите в меню «Пуск» в Windows и найдите среду IDE с именем «idle», которая будет установлена как часть вашей установки на python, если вы выбрали, как я сделал вШаг 6, Окно Python должно появиться с надписьюОболочка Python 3.6.x, По приглашению (обозначается как «>>>») импортируйте пакет Tensorflow. Это проверит, что Tensorflow был установлен (как вы можете импортировать его). Команда для оболочки IDLE для импорта пакета tenorflow выглядит следующим образом:
Чтобы проверить поддержку CUDA для вашей установки Tensorflow, вы можете запустить в командной строке следующую команду:
Наконец, чтобы убедиться, что графический процессор доступен для Tensorflow, вы можете протестировать, используя встроенную служебную функцию в TensorFlow, как показаноВот:
Требуется несколько минут, чтобы вернуть результат из этого; когда он закончен, он возвращаетсяПравда, а затем приглашение>>>`появляется снова. Импортирование тензорного потока и эти тесты показаны на рис. 24 в оболочке Python IDLE.
Выводы
Это были шаги, которые я предпринял для установки Visual Studio, CUDA Toolkit, CuDNN и Python 3.6, и все с конечной целью установки Tensorflow с поддержкой GPU в Windows 10. На сегодняшний день моя работа по машинному обучению и глубокому обучению на основе GPU была в Linux Машины с Ubuntu; к тому же, большая часть онлайновой поддержки сообщества машинного обучения фокусируется на Ubuntu
Для машинного обучения основным недостатком использования Windows является то, что необходимо создавать больше объектов из исходного кода (например, используяCmake), чем в Linux, а также для установки дополнительного программного обеспечения для процессов сборки, таких как Visual Studio. Например, если бы выустановить Caffe2в Windows нет встроенных двоичных файлов, и сборка Windows находится в тестовом и бета-режиме. Я установил CUDA и cuDNN на Windows 10 более любопытно, чем что-либо еще, просто чтобы посмотреть, насколько это было просто (или иначе).
Как я намекал вЧасть 1Теперь, когда CUDA, cuDNN и Tensorflow успешно установлены в Windows 10, и я проверил доступ Tensorflow к графическому процессору, я собираюсь смести всю операционную систему Windows 10, чтобы произвести новую установку Ubuntu 18.04 LTS. Эта новая установка Ubuntu будет рассмотрена в части 3 этой серии.
Эта статья также была опубликованаВотв моем собственном блоге.