。
。
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。1.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)英文列表：CUDA GPUs2.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。
3.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。4.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。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。5.CuDnn版本：CuDnn 6.0for 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，虽然说是英文的但非常简单。 正确的下载版本如下图所示：6.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。1.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。2.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。3.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：4.验证CUDA安装成功:4.1. 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。4.2. 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。4.3. 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。5.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”。6.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。7.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
（图片来源网络，侵删）
0 评论