首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >用GPU加速深度学习: Windows安装CUDA+TensorFlow教程

用GPU加速深度学习: Windows安装CUDA+TensorFlow教程

作者头像
AI研习社
发布2018-03-16 16:49:37
13K0
发布2018-03-16 16:49:37
举报
文章被收录于专栏:AI研习社AI研习社

背景

在Windows上使用GPU进行深度学习一直都不是主流,我们一般都首选Linux作为深度学习操作系统。但很多朋友如果只是想要了解深度学习,似乎没有必要专门装双系统或者改用Linux。现实生活中,很多使用学校或者公司电脑的朋友也没有操作权限改换系统。那么到底是否可以在Windows系统上设置深度学习框架,开发深度学习模型呢?

好消息是越来越多的深度学习框架开始支持Windows,这使得在Windows上使用GPU加速学习过程也变成了可能。很多朋友虽然没有一块很强劲的显卡,但也可以以较低的代价来了解在GPU上运行深度学习模型的过程。值得欣喜的是,大部分Nvidia GeForce系列的显卡都可以使用CUDA,大部分有独显的笔记本理论上都可以使用GPU来“深度学习”。即使加速效果不明显,但很多入门级的显卡依然可以用于TensorFlow,这至少可以帮助大家了解和熟悉这个框架。

请不要让缺少预算或者系统不兼容成为探索路上的拦路虎和借口。

本着探索的精神,我试着在两台Windows电脑上安装了CUDA(用于调用GPU)和TensorFlow(谷歌开发的深度学习工具库),把这个过程记录下来和大家分享。如果在安装过程中大家遇到了什么具体问题,也可以评论给我。

在开始之前想再次提醒大家,在Windows上安装CUDA和TensorFlow有很多坑,对于各种软件版本以及系统设置的要求可谓非常刁钻,很容易就“误入陷阱”。请大家严格对照我的操作流程,以防出错。多图长文预警!!!使用教程时建议在电脑端阅读,可以放大图片。

准备步骤

请按照介绍下载以下软件备用,具体安装流程在第二部分介绍。

简单的说,我们需要 Windows 7/8/10, Server 2012/2016 + Python 3.5 + Visual Studio 2015 + CUDA 8.0 + CuDnn 6.0。

操作系统要求和硬件要求:

  • Windows版本:Windows 7,Windows 8,Windows 10,Windows Server 12/16
  • 显卡版本:请对照英伟达提供的支持CUDA的显卡列表,建议查看英文版。不知道自己显卡版本的可以通过“设备管理器”查看,或者使用第三方软件GPU-Z查看。请注意,AMD的显卡不可以使用英伟达开发的CUDA...
    • 中文列表:CUDA - 支持CUDA的GPU - NVIDIA(英伟达)(http://t.cn/RjHSpCY)
    • 英文列表:CUDA GPUs(http://t.cn/zjYolU1)

Python版本:64位版本的Python 3.5。注意Python3.6和2.7都不可以。地址和版本如下图所示。如果使用错误的Python版本,将无法安装TensorFlow!

Visual Studio版本:

  • 我们使用的CUDA8.0不支持Visual Studio 2017,使用VS2017会报错。
  • Visual Studio 2015的话现在最新的版本是Visual Studio 2015 with Update 3,网上有人说不能用Update 3这个版本,但根据我的亲测可以使用VS2015 with Update 3。下载免费的Community版本即可: https://imagine.microsoft.com/en-us/Catalog/Product/101。这个链接是ISO版本,大家也可选择EXE版本安装。其他VS2015的版本,如企业版(Enterprise)或者专业版(Professional)也可以,事实上我测试的时候安装的是企业版。
  • Visual Studio 2013根据文档介绍也可以,但我并没有实际测试,不推荐使用。

如果你的电脑上已经安装了VS2017或者VS2013,可以同时下载安装VS2015,并不存在冲突。

CUDA版本:TensorFlow的支持的CUDA版本截止到今天(2017年10月1日)还是 CUDA 8.0。千万要注意英伟达官网上的默认版本是CUDA 9.0,请不要下载安装这个版本。

正确的8.0版本下载地址: CUDA Toolkit 8.0 - Feb 2017(http://t.cn/ROVLbvu) 。网络比较好的朋友建议下载网络安装版本,不要下载本地版。

CuDnn版本:CuDnn 6.0 for CUDA8.0。这是唯一可以使用的版本,下载时请对应的你的操作系统选择合适的版本。

请特别注意下载CuDnn前必须注册英伟达社区的会员(http://t.cn/RYIJenh),虽然说是英文的但非常简单。 正确的下载版本如下图所示:

所有必备文件:

安装步骤(建议使用管理员权限账号)

请尽量按照本文的安装顺序进行安装,否则有可能运行失败!最重要的是,安装CUDA必须在安装Visual Studio之后,这两个顺序不可以调换。

安装Python

建议直接用Python的原生安装包,安装时建议勾选把Python加到系统路径当中去。

安装完成后检查Python的版本和PiP3的版本,那就是系统路径中的默认Python是3.54,且Pip3的版本大于8.01。

检测方法如上图,打开命令行分别输入 "python -V" 和 “pip3 -V”即可,正确的输出如上图。

安装Visual Studio 2015

安装VS2015没什么难度,只有一个选项需要自定义,别的选项都可以使用默认值。VS2015的默认安装不包括C++的编译器,必须手动勾选Visual C++,不然会面临后续的CUDA编译错误。

主要原因是VS2015在安装时并没有默认安装C++的编译器,也就是CL.exe。在后文中我会提到如果你没装Visual C++系统会如何报错。

安装CUDA

安装CUDA前请务必确认VS2015安装成功!这个时候你需要安装CUDA,双击我们下载的安装文件即可,一切都选择默认即可。

安装成功后会看到如下图:

验证CUDA安装成功:

1. 打开命令行,也就是cmd然后输入“nvcc -V”,如果安装正确的话你应该看到这样的输出:

输出中显示了CUDA的版本是release 8.0。

2. 使用VS和CUDA编译测试文件

进入“C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0”文件夹,双击打开 “Samples vs2015”这个文件。

选择编译生成1_Utilities中所有的文件。具体操作就是在1_Utilities上右键选择Build,注意红框部分的64位和Release:

这个时候,你可能遇到了编译错误,如果你发现错误提示是无法找到 CUDA.prop那么就是CUDA安装错误,建议检查CUDA版本重新安装。

如果你看到这两个错误:

  • TRK0005: Failed to locate: "CL.exe". The system cannot find the file specified.系统找不到CL.exe,无法编译文件。面对这个错误那就是你没选Visual C++,需要重新安装时选上这个组件。
  • MSB8036: Windows SDK 8.1 was not found.如果你同时看到了这个错误说你没有安装 Windows SDK 8.1,那也可以通过安装C++ Redistribution这个来解决。

如果你没有遇到编译错误,那么应该看到下图提示5个文件编译成功:

在成功后,你会发现在“C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64\Release”文件夹中出现了一堆文件,我们主要需要deviceQuery和bandwidthTest。

3. deviceQuery和bandwidthTest验证

运行我们刚才编译出来的deviceQuery.exe,也就是在cmd中运行这个文件,下图中左下的红框显示 result = pass代表安装测试成功,右下的红框是你的显卡型号请确认型号正确。Tesla K80只是我的这台机器型号,这个每个人可能都不一样。

运行我们刚才编译出来的bandwidthTest.exe,方法一样,也是关注是否result = PASS。

安装CuDnn

解压缩我们下载的CuDnn文件,得到3个文件夹:bin, include, lib。如下图所示,将这个三个文件夹复制到“C:\ProgramData\NVIDIA GPU Computing Toolkit\v8.0”。

确认系统环境变量(Environment Variables)

确认Python3.5.4.和Pip3在系统环境变量中,检查的方法上面已经介绍了。

打开系统环境变量设置,以Win10为例,请参考百度经验(http://t.cn/RYIJJht)介绍。

确认CUDA_PATH和CUDA_PATH_V8.0已经存在

手动添加 “C:\ProgramData\NVIDIA GPU Computing Toolkit\v8.0\bin”到Path里面。

安装TensorFlow的GPU版本

打开cmd,输入“pip3 install tensorflow-gpu”

我因为已经安装过了,所以显示已经安装。此处要注意三点:

  • 要用pip3而不是pip
  • 要安装tensorflow-gpu,而不是tensorflow
  • 如果安装失败,很有可能你的Python版本不是3.5.,或者pip3版本太低,可以使用"pip3 install --upgrade pip3"来升级pip3

第一个TensorFlow程序!

恭喜你,我们离胜利已经一步之遥了:) 让我们来验证我们安装的TensorFlow可以使用GPU!

打开cmd,输入以下指令打开python的interactive shell。

首先导入tensorflow:

import tensorflow as tf

接着每次输入一行代码,并回车,你应该可以看到下图中表明你的GPU已经开始工作啦~

a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)

sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

print sess.run(c)

你可能在import TensorFlow时遇到了错误,如下图。这是因为你的CuDnn设置错误,请参考本文确认系统环境变量(Environment Variables)来修复。

写在最后

实践是检验真理的唯一标准,时间也是。在所有人都在大力鼓吹深度学习的今天,不管你喜欢还是反对,我都希望你可以亲自试试,感受一下:)

而现实生活中我们都有各种各样的制约,比如系统版本限制、比如有限的显卡预算。这也是我写这篇教程的目的,我不希望这些原因成为阻碍你探索研究的障碍。希望我的这篇文章为你的深度学习之路做出了一点微小的贡献。

欢迎来到深度学习的世界 ʕ•ᴥ•ʔ

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2017-11-29,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 AI研习社 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 背景
    • 准备步骤
      • 安装步骤(建议使用管理员权限账号)
        • 第一个TensorFlow程序!
          • 写在最后
          领券
          问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档