TensorFlow 연구는 0- 설치 TensorFlow 환경 노트
저자 : YunYuan
사설
- 체제 : Windows 기업 10 64
- CPU : 인텔 (R) 코어 (TM) i7-8700 CPU의 @의 3.20GHz
GPU : NVIDIA 지포스 1050 GTX 티
따라서, 본 노트 Win10 64 비트 시스템은 GPU는 TensorFlow 개발 환경을 설정합니다.
TensorFlow-GPU 환경 설치
첫째, 다운로드 아나콘다, 무제한 버전을 설치, 최신 버전은 할 수있다, 나는 Anaconda3-5.2.0 - 윈도우 x86_64에 여기 오전, 설정 환경 변수를 확인하는주의
이동 https://github.com/fo40225/tensorflow-windows-wheel를 여기에서 다운로드 할 선택이다 tensorflow 버전을 다운로드
tensorflow-windows-wheel/1.10.0/py36/GPU/
,
다운로드cuda92cudnn72avx2
폴더의*.whl
파일 I 다운로드tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl
, 당신은 여기에서 볼 수 있습니다文件名
부여 구성 요구 사항, 9.2 버전의 CUDA, cudnn 버전 7.2이 필요합니다 , 두 버전 번호를 확인합니다.행 https://developer.nvidia.com/cuda-toolkit-archive 및 https://developer.nvidia.com/rdp/cudnn-archive 각각 버전을 다운로드 CUDA CUDNN 대응 :
cuda_9.2.148_win10
및patch
패킷과cudnn7.2
. 설치 및 패치 패키지 CUDA, Cudnn 다음 세 개의 작은 폴더를 추출 후의 CUDA 설치 디렉토리 (기본 디렉토리 설치에 복사 (빈은 lib 디렉토리 포함)C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2
) 할 수 있습니다;(최고 관리자에게 개방) 열기 아나콘다 PROMT는 시작 메뉴에 입력
conda --version
설치가 성공적으로 CONDA되었는지 확인하기 위해;에서 아나콘다 PROMT을 입력
conda info --envs
현재의 환경이 무엇인지 확인하기 위해;새로운 환경 만들기
conda create --name tf python=3.6
환경 이름은 TF라고, 중간은 y를 눌러 y를 입력 / N 것, 후자 필요가 환경을 제거하는 경우conda remove -n tf --all
환경을 입력
activate tf
파이썬의 버전을 확인
python --version
당신이 .whl 파일을있는 디렉토리를 입력, 입력
pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl
할 수 있습니다;나중에 결정되는 경우도 설치할 수 있습니다, OpenCV의를 사용해야합니다
pip install opencv-python
(당신은 무엇을 OpenCV 들었하지 않은 경우, 자동으로 문을 무시하십시오) OpenCV의 패키지를- 파이썬 편집 환경에 현재 환경 형 파이썬에서 테스트하기 위해 다음 코드를 입력
import tensorflow as tf
hello = tf.constant("Hello, Tensorflow!")
sess = tf.Session()
print(sess.run(hello))
a=tf.constant(10)
b = tf.constant(20)
print(sess.run(a+b))
테스트 환경
- 설치 및 스파이더을 테스트 :
열기 아나콘다 네비게이터 (시작 메뉴 -> 아나콘다 3> 아나콘다 네비게이터 에 대한 응용 프로그램 >> 선택 TF)하는 스파이더 놀이에 참여
다음 스파이더, 설치가된다 "시작", "설치"를 클릭하고 이동 그것을 클릭 가.
스파이더에서 tensorflow 인사 말한다!
import tensorflow as tf hello = tf.constant("Hello, Tensorflow!") sess = tf.Session() print(sess.run(hello))
- 또한 테스트 :
우선 검토 tensorflow가 제대로 설치되지 않고 가져올 수 있습니다 :
테스트 코드 :
import tensorflow as tf
a = tf.test.is_built_with_cuda() # 判断CUDA是否可以用
b = tf.test.is_gpu_available(
cuda_only=False,
min_cuda_compute_capability=None
) # 判断GPU是否可以用
print(a)
print(b)
출력은 다음과 같습니다
True
True
CUDA를 대신하여 사용 가능한 GPU에
코드 II 테스트 :
import tensorflow as tf
#Creates a graph.
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)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print(sess.run(c))
출력은 다음과 같습니다
[[22. 28.] [49. 64.]]
- TensorFlow의 경우를 사용하여 GPU 테스트 실행
코드를 직접 볼 수있다 다음은 GPU에 사용되는
테스트 코드 세 :
import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
c = a + b
sess =tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
참고 :
위의 테스트 코드의 세 가지 오류가있을 수 있습니다, 당신은 코드를 변경해야
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
중
allow_soft_placement=True
쇼 :이 매개 변수가 제공되지 않는 경우 컴퓨팅 장치, 선택할 수 있습니다. 모든 작업이 GPU에 배치 할 수 있기 때문에 강제 작업이 GPU에 할당 된 GPU에 넣어하지 않을 경우, 그것은 발생합니다.log_device_placement=True
쇼 : 파일 컴퓨팅 장치 로그 기록이 실시간으로 표시됩니다 (스파이더를 사용하는 경우 표시되지 표시됩니다 파이썬 명령 줄을 사용하여, 스파이더보기를위한 성능 분석 도구를 사용할 수 있습니다).
서두르지 정상적인 상황에서, 클릭, 당신은 GPU의 활용을 표시 할 수 있습니다, 자신의 그래픽 카드 NVIDIA GPU 열을 찾아 속성을 클릭하여 작업 관리자를 엽니 다 실행하려면 어떤 프로그램을 실행하지 않아도, GPU를 활용 무엇인가 0, 아니 파도, 다음의 코드 셋을 실행, 당신은 GPU 사용률이 변화하기 시작 찾을 수 있습니다.
그 이상의
- 위의 완벽하게 테스트 된 tensorflow-GPU 개발 환경 윈도우 10 시스템. 당신이 그것에 대해 더 알고 싶다면 :이 코드에 대해 배울 시도 할 수 있습니다 :
import tensorflow as tf
import numpy as np
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 建立一个2*100的随机数的矩阵
y_data = np.dot([0.100, 0.200], x_data) + 0.300 # (2*1)点乘(2*100)
# 构造一个线性模型,这里创建了一个"计算图"
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
# 最小化方差,这里给出你要优化的指标以及优化的方式
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 启动图 (graph),并进行初始化
init = tf.initialize_all_variables()
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
sess.run(init)
# 拟合平面
for step in range(0, 201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
# 得到最佳拟合结果 W: [[0.100 0.200]], b: [0.300]
#关闭会话
sess.close()
최근에 작성된
환경 단일하지 나방의 미래를 보장하기 위해,
GPU의 드라이버를 변경하지 마십시오
하지 업데이트 된 GPU 드라이버를 수행
하지 업데이트 된 GPU 드라이버를 수행
실수로 그래픽 드라이버를 업데이트 한 경우를 눌러 노트는 구성 환경을 다시 설치합니다.