之前用的和学习的都是pytorch框架,现在要运行一个keras的代码,得安装tensorflow和keras,按一个教程,直接在pycharm里setting,点那个+很快就装好了tensorflow和keras,运行了几次发现运行特别慢,用nvidia-smi查看,发现根本没有用pgu跑,一番查找,最后发现安装的tensorflow本身是按CPU跑的,要用GPU跑,得安装tensorflow-gpu。 以下主要参考了https://blog.csdn.net/qq_38502918/article/details/108009692进行操作,成功安装了tensorflow-gpu版本的。 记录以下安装过程。 重点: CUDA的版本要与tensorflow-gpu的一定要对应,否则会出错。 注意点: 安装好tensorflow-gpu后,安装对应版本的keras版本。 https://blog.csdn.net/weixin_40109345/article/details/106730050
问题描述:为了把之前的CPU版本的tensorflow卸载,换成GPU版本的tensorflow,经历了一番折腾。
之前我已经安装了anaconda,现在检查它的版本以及环境。发现有tensorflow环境,但我需要tensorflow-gpu的环境,所以输入conda uninstall tensorflow卸载了,
配置环境,研究了一整天,踩了很多坑,在网上找了很多资料,发现基本上都没非常明确的教程,所以今天想分享一下配置tensorflow GPU版本的经验,希望能让各位朋友少走些弯路。(PS:一切的前提,你需要有一张Nvidia显卡。我的显卡是 GT940MX)
作为一名每天对着各种裸板的系统工程师,对Jetson Nano会踩到各种坑是做好了充分准备的,本着踩坑填坑的精神,在这里记录一下踩坑经历,供大家一乐。如何避开这些坑?想多了,因为以后你们即使绕开了这些坑,也会有其它的坑等着你:) 重要的是要做到人挡杀人、佛挡杀佛,遇到坑直接趟过去。
此文为交流群「TensorFlow群」呵呵哒贡献,自己在win10中安装时踩过的坑,希望还被这些问题困扰的小伙伴,看完此文后能豁然开朗,同时没有安装过的以后可能会用到的小伙伴,可以收藏下,以备后用。
之前 写过一篇在 ubuntu 下安装 TensorFlow 的教程,那个时候 TensorFlow 官方还不支持 Windows 系统,虽然可以通过其他方法安装,但是终究不是原生的,而且安装过程繁琐易错。好消息是,Google官方在11月29号的开发者博客中宣布新的版本(0.12)将增加对Windows的支持,我11月30号知道的,立马就安装试了试,安装过程非常简单,不过也有一些需要手动调整。
最近把tensorflow跟pytorch都重新安装了,发现我以前安装的CUDA10.0的版本无法跟tensorflow2.x适配了,于是我又重新卸载安装了CUDA10.1 +cuDNN8.0.x的版本,然后发现我的Win10上又跟以前一样可以运行tensorflow或者pytorch了。下面就说一下我是如何在Windows 10系统下完成这些配置的。首先看一下软件版本信息:
今天是在畅游入职的第一天,没什么特别的任务安排,先给大家看一下畅游小本本上的一句话: 写的很有诗意有没有,小编也被这句话激励到了,撸起袖子来好好干! 第一天没有什么特别的任务,就是安装一下开发环境,对
暑期开始了!对于Lady姐来说,如何安排儿子的暑期生活是一件大事,显然是不能沉迷于王者农药, 于是Lady姐随手扔了一个教程给他:按照这份教程,在家里Win7的台式机上安装Tensorflow!
网上许多教程比较晦涩难懂,本教程按照笔者(新手)自己的视角记录,希望给大家一些帮助
配置:win7 + cuda8.0+vs2015+cudnn6.0+python3.5+tensorflow1.4+pycharm
$ lspci | grep -i nvidia 我的显示为Tesla P800
python & cuda & cudnn & 显卡型 & tensorflow 版本如果匹配不好,可能会踩坑。。 本篇文章,讲述了 全套安装过程 与 我所踩过的坑。
腾讯云比阿里云的GPU服务器更多一些,在阿里云上有时会出现没有GPU服务器或者售罄。
在安装TensorFlow时,必须要注意与CUDA、cuDNN版本之间的搭配,否则有可能安装失败。下图是windows系统下版本对应关系:
作者 | fendouai 编辑 | 磐石 出品 | 磐创AI技术团队 【磐创AI导读】:本文详细介绍了tensorflow-gpu在Ubuntu下的安装步骤。欢迎大家点击上方蓝字关注我们的公众号:磐创AI。 硬件环境:NVIDIA GTX 980 Ti 系统环境:Ubuntu 16.04 64位 一.安装 NVIDIA驱动 1. 关闭 Secure Boot 具体如何禁用 BIOS 中的 Secure Boot 要根据主板的情况。 以华硕主板的禁用方法为例: 首先进入 BIOS,然后选择 Boot ,
众所周知Python常用的版本有2.x和3.x,常常会引起版本问题。由于我在Linux系统中已经安装有Python3.x和对应的TensorFlow,现在遇到需要跑在Python2.x下的TensorFlow工程时,就很麻烦,因此可以用Anaconda来建立一个独立的小环境来另外安装Python2.x及其对应的TensorFlow来跑这个工程。
本篇文章就带领大家用最简单地方式安装TF2.0正式版本(CPU与GPU),由我来踩坑,方便大家体验正式版本的TF2.0。
本文介绍了如何配置Windows系统以支持TensorFlow 1.4,包括安装Python 3.5或更高版本、CUDA 8.0或更高版本、cuDNN 7.6或更高版本,以及TensorFlow 1.4。安装完成后,可以测试是否成功安装并运行TensorFlow。
直接查看这条链接即可:win-配置tf-GPU 本人用的conda和tensorflow-GPU版本下载:提取码:98ot 环境:win10+anaconda 注:anaconda安装步骤略,以下步骤默认anaconda已安装。
【磐创AI导读】:本系列文章介绍了与tensorflow的相关知识,包括其介绍、安装及使用等。本篇文章是本系列文章的最后一篇。查看上篇:一文上手Tensorflow2.0之tf.keras|三。在文末作者给出了答疑群的二维码,有疑问的读者可以进群提问。想要获取更多的机器学习、深度学习资源,欢迎大家点击上方蓝字关注我们的公众号:磐创AI。
准备尝试升级TensorFlow 1.14 到2.2,需要同时升级本地和服务器的环境,本文记录主要过程。 环境需求 当前TensorFlow最高版本 2.2.+ ,需要CUDA 10.1,cudnn 7.6 官网下载 :https://developer.nvidia.com/ 显卡驱动需要满足CUDA版本要求 CUDA与显卡驱动:https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html TensorFlow-GPU
记录一下安装win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5
安装tensorflow-gpu,需特别注意tensorflow-gpu、Python、CUDA、cuDNN版本的适配信息,版本不适配会导致tensorflow-gpu安装失败,该安装教程选择的软件版本信息为:ubuntu18.04 + Anaconda3.5.3.1 + Python3.6.12 + tensorflow-gpu2.2.0 + CUDA10.1 + cuDNN7.6.5
PyCharm 是一款功能强大的 Python 编辑器,其提供了一个带编码补全,代码片段,支持代码折叠和分割窗口的智能、可配置的编辑器,可帮助用户更快更轻松的完成编码工作。用户可使用其编码语法,错误高亮,智能检测以及一键式代码快速补全建议,使得编码更优化。所以我一般推荐使用Pycharm进行python代码编辑。
其实TensorFlow有一个别人提供的服务器在用着,不过最近访问不了了,估计给收回去了吧。另外自己的MacBook Pro也其实有TensorFlow,但是这个MacBook Pro是二手的,3000块钱收的,而这个本子在前任主人那里也得呆了2年左右了,虽然不长但也有点小卡,尤其是硬盘容量实在是……随便放点东西就基本满了,像我除了写代码还有一些多媒体制作的小事会有,这玩意一两个就占硬盘好几个G……于是,综上原因,因为要学习深度学习,对硬件有一定的要求,因此就萌生了配一台PC主机的想法了。
不同版本的tensorflow-gpu与CUDA对应关系如下表所示(图片有点旧了,python版本是2.7和3.3-3.8):
【简述】 关于Window安装TensorFlow- GPU环境的文章网上已经有很多了,但是为什么还要写这篇文章呢,就是被网上的文章给坑了。由于tensorflow-gpu的版本和CDUDA版本,甚至CUDNN版本都有着对应关系,导致在安装TensorFlow- GPU入了很多坑,最后还是通过看错误信息,才顺利安装上的,因此分享这篇文章,避免小伙伴们入坑(大家可以对照我的模式来安装)。 借鉴了两位大神的安装教程之后,综合一下终于安装成功了。 https://www.cnblogs.com/raorao1994/p/8857229.html https://blog.csdn.net/qilixuening/article/details/77503631 先上环境:
区别于其他入门教程的“手把手式”,本文更强调“因”而非“果”。我之所以加上“通用”字样,是因为在你了解了这个开发环境之后,那些很low的错误你就不会犯了。 大家都知道深度学习涉及到大量的模型、算法,看着那些乱糟糟的公式符号,心中一定是“WTF”。我想说的是,这些你都不要管,所谓车到山前必有路。 # 所需安装包 # 通常以我的习惯是以最简单的方式来接触一门新的技术,并且尽量抛弃新的(边缘)技术的介入,如果因为一些其他因素来导致学习树的不断扩大,会变得很低效,所以我们直击核心。以最常用的windows环境为例。
本文介绍了在Ubuntu 17.04系统上安装TensorFlow 1.2的GPU版本的过程,包括安装NVIDIA的GPU-CUDA, cuDNN, libcupti-dev, 以及通过pip或spip安装TensorFlow-GPU版本。
本文是《人人都能学人工智能-TensorFlow系列》文章的第一篇,这个系列会对TensorFlow的基础使用,SoftMax,交叉熵,Dropout,CNN,LSTM和NLP等内容进行系列介绍,尽量使用通俗的语言,让更多的人都能了解人工智能,了解TensorFlow。 TensorFlow是Google开源的一款人工智能学习系统。为什么叫这个名字呢?Tensor的意思是张量,代表N维数组;Flow的意思是流,代表基于数据流图的计算。把N维数字从流图的一端流动到另一端的过程,就是人工智能神经网络进行分析和处
全网最详细 | Windows 安装 TensorFlow2.0 GPU 详细教程
由于历史原因,python长期存在两个版本,python 2和python 3,而且存在兼容问题。虽然经过开发者不断的努力,普遍转向Python 3,但Python 2仍然像打不死的小强,顽强的存在着。比如大多数Linux发行版本,python 2依然是默认版本。再加上python社区非常活跃,各种python库也在不停的向前发展,不同版本python库之间不兼容的情况一直存在。有时开发者也很尴尬,比如发布了一个项目到github,会有读者过来问,为什么代码在我这儿出错?
目前主流深度学习框架有Tensorflow和pytorch,由于一些原因我只在windows10下安装了以上两个深度学习框架。Tensorflow在16年底就出了在windows下可安装的版本,而pytorch在2018年4月25号也出了可在windows下安装的版本。接下来我将给出最简单的方法来安装深度学习框架。
进入官网(https://www.anaconda.com/) – get started- Install Anaconda Individual Edition- DownLoad- 选择对应版本,这里选择window python3.7 64位,然后一路安装,记得加环境变量
本次教程主要是在Ubuntu 18.04下安装Tensorflow 2.0 GPU版本,大家之前在安装Tensorflow 2.0 GPU版本时,是否经常遇到CUDA、CUDNN安装麻烦的问题,下面呢,我介绍一种可以不用安装CUDA、CUDNN的方法(ps:这些安装自动在conda install tensorflow-gpu==2.0.0安装哦)!
本系列将分为 8 篇 。今天是第一篇 ,工欲善其事必先利其器 ,先简单讲讲当前的主流深度学习框架 TensorFlow 及其安装方法 。
TensorFlow 是一个端到端开源机器学习平台。它拥有一个包含各种工具、库和社区资源的全面灵活生态系统,可以让研究人员推动机器学习领域的先进技术的发展,并让开发者轻松地构建和部署由机器学习提供支持的应用。
安装CUDA前需要安装Visual Studio,我安装的版本为Visual Studio 2017,视频与博客中未提及,请小伙伴们注意。
安装TensorFlow GPU版本 !pip install tensorflow-gpu Collecting tensorflow-gpu [?25l Downloading https://
这几天一直在折腾faceswap,安装过程中发现各种神奇的bug。首先第一个就是github无法正常访问的问题,clone代码的时候各种提示服务器连接超时。可以修改hosts文件添加以下内容:
安装anaconda,然后用python的pip可以安装特定版本的tensorflow,如:
前言: 对于深度学习来说,各种框架torch,caffe,keras,mxnet,tensorflow,pandapanda环境要求各一,如果我们在一台服务器上部署了较多的这样的框架,那么各种莫名的冲突 会一直伴随着你,吃过很多次亏之后,慢慢的接触了Anaconda,真的是很爽的一个功能,来管理环境配置。我们进行tensorflow安装的时候,还是使用Anaconda,鉴于国内墙太高 ,我们使用了Tsinghua的镜像文件,清华大学的Anaconda介绍地址见:https://mirror.tun
如果显示都成功找到GPU了,还报错,可能是你的显卡太旧了,尝试降低 tf 版本,或者换显卡,也有可能,显存不够,你可以调小点 batch_size
Protocol Buffer是谷歌开发的处理结构化数据的工具,类似于XML和JSON这两种比较常用的结构化数据处理工具。但是Protocal Buffer格式的数据和XML或者JSON又有很大的区别:首先,使用Protocol Buffer时需要先定义数据格式schema(Protocol Buffer的具体编码方式),其序列化后得到的数据不是可读字符串,而是二进制流;其次,Protocol Buffer格式的数据不需要任何其他信息就能还原序列化之后的数据。Protcol Buffer序列化出来的数据要比XML格式的数据笑3到10倍,解析时间要快20到100倍。
目前考虑进入梦寐以求的 机器学习、人工智能 等领域的学习,因此安装主流的机器学习框架 Tensorflow 迫在眉睫。
最近从网上下载了一个代码是keras+tensorflow的,第一次运行python代码有点激动,中间遇见了一些坑,记录一下解决方案。
一键 安装TensorFlow 的 bash文件 源码: echo 'Install dependencies' sudo apt-get install libcupti-dev echo 'Install tensorflow-gpu' pip install --upgrade ../../Tensorflow/tensorflow_gpu-1.4.0-cp36-cp36m-linux_x86_64.whl 或者: echo 'Install dependencies' sudo apt
领取专属 10元无门槛券
手把手带您无忧上云