网站站内优化怎么做,臭事百科wordpress,大连建设网煤气查询,转短链接在线生成目录
基础知识信息了解
显卡算力
CUDA兼容
Tensorflow gpu安装
CUDA/cuDNN匹配和下载
查看Conda driver的版本
下载CUDA工具包
查看对应cuDNN版本
下载cuDNN加速库
CUDA/cuDNN安装
CUDA安装方法
cuDNN加速库安装
配置CUDA/cuDNN环境变量
配置环境变量
核验是否安…目录
基础知识信息了解
显卡算力
CUDA兼容
Tensorflow gpu安装
CUDA/cuDNN匹配和下载
查看Conda driver的版本
下载CUDA工具包
查看对应cuDNN版本
下载cuDNN加速库
CUDA/cuDNN安装
CUDA安装方法
cuDNN加速库安装
配置CUDA/cuDNN环境变量
配置环境变量
核验是否安装成功
Tensorflow-gpu安装
命令安装
报错处理
核验安装结果 直通车人工智能发展历程和工具搭建学习-CSDN博客 通过之前的文章学习我们已经安装好了Anaconda和Tensorflow2.4但是在后期的学习中会涉及到神经网络的学习等数据量较大的操作普通的tensorflow-cpu版本处理速度较慢所以我们再安装一个更加强大的tensorflow-gpu版本它可以调用conda的接口实现gpu运算的平台,利用显卡帮助我们运算程序以提高后期学习中的程序处理速度,提高学习效率。
基础知识信息了解
显卡算力 在这个之前我们首先要确保自己的电脑是英伟达显卡并且运算能力在3.5以上,大家可以根据下面的网址查看自己电脑显卡的运算能力然后还需要下载conda工具包和对应的gpu加速库cuDNN。 直通车CUDA GPUs - Compute Capability | NVIDIA Developer 后期安装CUDA通过deviceQuery.exe也可以看到当前显卡的算力。 CUDA兼容 这里CUDA12.1是支持的最高版本的CUDA可以向下兼容且可以安装多个版本的CUDA,你可以通过更改环境变量来更改为你需要用到的CUDA版本。 Tensorflow gpu安装
CUDA/cuDNN匹配和下载
查看Conda driver的版本 我们打开命令行窗口cmd输入nvidia-smi,这里显示的是显卡的版本信息这里显示的是conda driver的版本信息。 下载CUDA工具包 直通车CUDA Toolkit Archive | NVIDIA Developer 我们去conda下载官网下载CUDA工具包。根据刚刚我们查到的CUDA版本信息此处我的CUDA版本为12.x根据CUDA可以向下兼容的特性我们可以对应下载CUDA11.4的工具包。 在这个界面由于我的电脑是Windows11 64位所以我选择的是这些选项大家要根据自己的电脑系统类型选择合适的版本进行下载。
查看对应cuDNN版本 下面查找对应的cuDNN版本可以在Tensorflows官网中查看tensorflow-gpu跟cuda cudnn的版本对应信息.
在 Windows 环境中从源代码构建 | TensorFlow 下载cuDNN加速库 接下来我们打开cuDNN下载地址 直通车https://developer.nvidia.com/rdp/cudnn-archive 由于我们CUDA是11的版本 对应的是cuDNN8的版本这些版本的对应小伙伴们一定要注意现在我们打开cuDNN下载官网在这里根据刚刚查看到的cuda版本选择适当的cuDNN版本我刚下载的是CUDA11.4的版本也就是CUDA11.x的版本所以我选择的是cuDNN8.x的版本这里我下载版本为8.2.1然后选择windows x86的选项进行下载。 注意在这里点击下载的时候会跳转到注册登录页面由于在这里我已经登录所以没有跳转等待安装包下载完成我们就准备好了Tensorflow-gpu所需要的工具包这就是已经下载好的工具包。 如果各位小伙伴在这里遇到问题无法解决可以在评论区进行求助。 CUDA/cuDNN安装
CUDA安装方法 接下来我们开始安装CUDA双击打开下载的安装包并等待进度条加载完毕。 点击同意并继续选择自定义然后点击下一步。在这个界面显示的是将要安装的组件名称、版本号和电脑中该组件的版本号当前版本号为空则说明电脑中没有该组件。 我们取消NVIDIA GeForce Experience这一项然后点击下一步。这里的安装路径一般选择默认就好也可以更改但是文件目录一定要记清楚后面配置环境的时候会用到。 然后点击下一步点击next等待安装完成。 然后点击下一步这里显示的是已经安装的所有组件的状态然后点击关闭。
cuDNN加速库安装 下面开始安装Gpu加速库cuDNN将文件解压解压完成以后我们打开会得到如下三个目录。 然后我们打开刚刚安装好的CUDA的根目录然后把codnn里边并目录下的所有文件复制到CUDA的bin目录如下。 将include里边的所有文件复制到CUDA的include文件下lib文件夹也是如此。这样我们便完成了CUDA和cuDNN的安装。
配置CUDA/cuDNN环境变量
配置环境变量 下面开始设置系统环境变量右键点击此电脑选择属性打开高级系统设置环境变量在系统变量里面找到path点击编辑。我们可以看到CUDA的两个文件已经存在点击新建浏览找到CUDA目录。 将其上移与其他两个环境变量一起这样就完成了环境变量的设置。 核验是否安装成功 可以通过nvcc -V命令查看是否配置CUDA成功 输入nvidia-smi命令返回GPU型号则安装成功 同时也可以通过在CUDA执行bandwidthTest.exe和deviceQuery.exe和核验返回PASS则表明GPU安装成功 Tensorflow-gpu安装 接下来我们开始安装tensorflow-gpu安装过程可以参考上篇文章tensnflow2.4的安装这里我就不再详述。不同之处就是我们创建并激活另一个独立环境tensorflow-gpu选择适当的版本号小伙伴们可以根据自己的安装环境选择对应的版本安装第二步是安装相关软件在第三步的时候安装tensorflow-gpu命令为pip install tensorflow-gpu对应版本号安装完成以后就完成了tensorflow-gpu的安装。 直通车人工智能发展历程和工具搭建学习-CSDN博客 命令安装
创建独立环境并激活
conda create -n tensorflow-gpu python3.8conda activate tensorflow-gpu
安装相关软件包
# conda install numpy matplotlib PIL scikit-learn pandas 于下行命令等价pip install numpy matplotlib Pillow scikit-learn pandas -i Simple Index
安装Tensorflow-gpu
pip install tensorflow-gpu2.6.0 -i Simple Index
报错处理 ERROR: pips dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts. matplotlib 3.7.5 requires numpy2,1.20, but you have numpy 1.19.5 which is incompatible. pandas 2.0.3 requires numpy1.20.3; python_version 3.10, but you have numpy 1.19.5 which is incompatible.
pip uninstall numpypip install numpy1.19.5 TypeError: Descriptors cannot be created directly. If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc 3.19.0. If you cannot immediately regenerate your protos, some other possible workarounds are: 1. Downgrade the protobuf package to 3.20.x or lower. 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATIONpython (but this will use pure-Python parsing and will be much slower).
pip uninstall protobuf pip install protobuf3.20.0 校验安装结果 最后我们测试一下是否安装成功打开命令行窗口激活我们刚才创建的独立环境。输入python打开python交互模式输入import tensorflow as tf输入我们的测试语句tf.test.is_gpu_available()它的输出结果为true显示我们安装成功。
python
import tensorflow as tftf.test.is_gpu_available()exit()
