win10下配置GPU加速的Keras框架

不久之前，开始学习深度学习，这个时候发现用CPU计算的Keras框架性能明显不够用了，但当时随便弄了一下没能成功实现GPU加速。于是后来一次重装系统，从头详细地重现这个过程。

Python环境搭建

要搭建Python环境，个人觉得真的没有比Anaconda安装更省心的了，而且其内部已经包含了许多常用的包，不用一个一个的安装了。

我选用的是python3.6的64位版本。注意，在引导安装过程中，强烈建议勾选将Python加入环境变量（勾选后这段文本会变红），安装完成后，我们就能正常使用Python了，使用conda list命令，可以查看当前python环境下安装的所有库（如下图）。

conda list

CUDA8安装配置

CUDA8的安装包可直接从NVIDIA官网下载。根据相应的系统选项，我选择的是cuda_8.0.61_win10.exe(大小为1.3G)，安装的时候建议选择 自定义 而不是“精简”(从下面的英文解释可以看出，其实这里的精简写成完整应该更贴切，他会安装所有组件并覆盖现有驱动，然而我并不想安装全家桶，何况我的官方显卡驱动比他的新)。

cuda 1

如下图所示，我们只需选择CUDA下面这4项就够了（默认是全选的。。。），visual studio integration这一项没有勾选是因为我并没有使用VS环境。这一步之后，会询问这些组件的安装路径，可以直接使用C盘的默认位置，当然我自定义了一下（请记住这些安装路径，后面配置环境变量需要用到）。

cuda 2

安装完成之后，还需要下载cuDNN，这里需要登录并填写问卷才能下载，到下图所示的下载页面后，我选择的是图中高亮的版本（当时最新的是cuDNN6，而网上很多反应cuDNN6用不了，需要折腾一下才能用，因此，为了方便，我直接使用cuDNN5.1，不过后来cuDNN7出来了，应该可以直接使用~）。下载完成后，将这个压缩包里的所有文件放到CUDA8安装目录相应文件夹下即可。

cuDNN

接下来设置环境变量：

扫描二维码关注公众号，回复： 3809772 查看本文章

计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V8_0两个环境变量，接下来，还要在系统中添加以下几个环境变量：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0(这是默认安装位置的路径，经自定义路径后，我的路径为D:\NVIDIA\CUDA Samples)
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

然后：

在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下4条（默认安装路径）：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；
如果你选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径，如下为我的环境变量和PATH的配置情况：
环境变量：

PATH：

配置完成后，我们可以验证是否配置成功，主要使用CUDA内置的deviceQuery.exe 和 bandwithTest.exe：
首先win+R启动cmd，cd到安装目录下的 ...\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe,应该得到下图:

val 1
val 2

如果以上两步都返回了Result=PASS，那么就算成功啦。

安装TensorFlow和Keras

对于tensorflow的安装，我们可以直接按照官网的介绍使用
pip3 install --upgrade tensorflow-gpu
来进行安装，如果感觉下载速度过慢，可以点此链接http://www.lfd.uci.edu/~gohlke/pythonlibs/tuft5p8b/tensorflow_gpu-1.1.0-cp36-cp36m-win_amd64.whl下载wheel文件进行离线安装。

安装完成后，进入python环境，输入：

>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))

若出现下图结果，代表已成功基于GPU运行。
tensorflow

最后安装keras，可以直接pip install keras,它会自动附带安装所需的其他库和Theano，需要注意的是，此时Keras会自动选用TensorFlow作为其后端，而TensorFlow则会在有可用GPU时自动调用GPU运行。至此，整个配置就算完成啦~