TensorFlow学习笔记0-安装TensorFlow环境

时间：2023-12-31 09:49:14

TensorFlow学习笔记0-安装TensorFlow环境

作者: YunYuan

转载请注明来源，谢谢！

写在前面

  • 系统: Windows Enterprise 10 x64

  • CPU：Intel(R) Core(TM) i7-8700 CPU @ 3.20GHz

  • GPU: NVIDIA GeForce GTX 1050 Ti

    所以本笔记记录Win10 64位系统下，TensorFlow的GPU版开发环境的搭建。

TensorFlow-GPU环境安装

  1. 首先下载安装Anaconda，版本不受限制，最新版即可，我这里是Anaconda3-5.2.0-Windows-x86_64；注意勾选设置环境变量

  2. 去https://github.com/fo40225/tensorflow-windows-wheel下载一个你想下载的tensorflow的版本，这里分别依次选择tensorflow-windows-wheel/1.10.0/py36/GPU/，

    下载cuda92cudnn72avx2文件夹下的*.whl文件，我下载的是tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl，可以看到这里的文件名给出了配置要求，cuda 9.2版本，cudnn要求7.2版本，记下这两个版本号。

  3. 去https://developer.nvidia.com/cuda-toolkit-archive和https://developer.nvidia.com/rdp/cudnn-archive分别下载CUDA和CUDNN相应的版本：cuda_9.2.148_win10和patch包；以及cudnn7.2。安装CUDA及patch包；然后将解压Cudnn后得到的三个小文件夹(include,bin,lib)复制到CUDA的安装目录(默认安装目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2)即可；

  4. 在开始菜单里打开 Anaconda promt(最好以管理员打开)，输入conda --version以验证conda是否安装成功；

  5. 在Anaconda promt中输入conda info --envs 以检查目前都有哪些环境；

  6. 创建新环境conda create --name tf python=3.6，其中环境名叫做tf，中间会让输入y/n，按y即可；如果后面需要删除环境conda remove -n tf --all

  7. 进入该环境 activate tf

  8. 检查Python版本 python --version

  9. 进入你.whl文件所在的目录，输入pip install tensorflow_gpu-1.10.0-cp36-cp36m-win_amd64.whl即可；

    如果确定以后还需要使用OpenCV，也可安装pip install opencv-pythonOpenCV包(如果你没听过OpenCV是什么，请自动忽略该语句)

  10. 在当前环境下输入python进入python编辑环境，输入以下代码进行测试

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))

测试环境

  1. 安装Spyder并测试：

打开Anaconda Navigator（开始菜单->Anaconda 3->Anaconda Navigator，Application on>>选择tf），搞一个spyder玩，

点击spyder下面的“install”，安装好就变成“Launch”了，点击就可以进去了。

在spyder里对tensorflow说Hello!

import tensorflow as tf

hello = tf.constant("Hello, Tensorflow!")

sess = tf.Session()

print(sess.run(hello))
  1. 进一步测试：

首先看看tensorflow是不是正常安装并可以导入了：

测试代码一：

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)

输出结果是：

True

True

代表CUDA和GPU可用

测试代码二：

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))

输出结果是：

[[22. 28.] [49. 64.]]
  1. 利用GPU测试TensorFlow的运行情况

下面是直观的看出代码有没有在使用GPU

测试代码三：

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))

注意：

  1. 上述测试代码三中可能报错，你需要更改代码为

    sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))

其中

  • allow_soft_placement=True 表明：计算设备可自行选择，如果没有这个参数，会报错。因为不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，将会报错。

  • log_device_placement=True 表明：计算设备的日志log文件会实时显示(使用Python命令行时会显示，使用spyder时不显示,使用spyder可以使用性能分析工具进行查看)。

先不急着运行，打开任务管理器，点击 性能 ，找到你自己英伟达显卡的GPU那一栏，点击一下，可以显示GPU的利用情况，正常情况下你没运行什么程序，GPU利用率什么的都是0，没有波澜，然后你运行代码三，会发现GPU利用率开始变化了。

更进一步

  • 上面已经完全测试了windows10系统下tensorflow-gpu的开发环境。如果你想了解的更多一点：可以尝试学习一下这段代码:
import tensorflow as tf

import numpy as np

# 1 collect data

x_data = np.float32(np.random.rand(200,2));

y_data = np.matmul(x_data,[[5.2],[9.6]])+3.4;

# 2 Ceate model

W = tf.Variable(tf.random_uniform([2,1],-1,1));

b = tf.Variable(tf.zeros([1]));

y_ = tf.matmul(x_data,W)+b;

# 3 loss function

loss = tf.reduce_mean(tf.square(y_-y_data));

optimizer = tf.train.GradientDescentOptimizer(0.5);

train = optimizer.minimize(loss);

# 4 Initialzer

init = tf.initialize_all_variables();

sess = tf.Session(config = tf.ConfigProto(allow_soft_placement=True,log_device_placement=True));

sess.run(init);

# 5 Train

for step in range(0,201):

    sess.run(train);

    if step%10 == 0:

        print(step,np.transpose(sess.run(W)),sess.run(b));

# 6 Output

sess.close();

使用pycharm开发

如果你不喜欢Spyder或jupyter，可以使用pycharm进行开发。pycharm专业版对于学校教职工和学生是免费的。

  1. Pycham下载: https://www.jetbrains.com/pycharm/download/#section=windows
  2. 安装: 这里就不必细说，直接next就OK,中间有一步勾选.py文件关联。
  3. windows ：打开hosts文件，文件的最后一行添加：0.0.0.0 account.jetbrains.com
  4. 去jetbrains官网申请注册一个学生账户:https://www.jetbrains.com/shop/eform/students

    5.重启Pycharm，选择 登陆账户。

点击首页的Create New Project，选择工程目录，展开下面的Project Interpreter来设置解释器，选定Existing interpreter,然后点击右侧的三个点的按钮，在新窗口里左栏选择Conda Environment，右侧自动识别。如图，并勾选Make available to all projects。

TensorFlow学习笔记0-安装TensorFlow环境

注意，Pycharm第一次启动后会自动更新其内部的程序，请等待完成后再开始编写你的代码。使用View>Scientigic Mode，Variable中的变量可以右键View as Array.

然后即可开心玩耍啦~

使用Visual Studio Code进行开发

使用Visual Studio Code也可以进行python的开发。你需要安装Python插件。即可编写代码。编写完成后按F1或Ctrl+Shift+P，调出命令框，输入python: select interpreter来选择解释器，点击之后可以选择你的conda的tensorflow环境下的解释器。在状态栏就可以看到"Python 3.6.9 64-bit('tf':conda)"字样，表示当前的运行环境。此时按Ctrl + F5运行代码，按F5进行调试。

开心玩耍吧~

个人使用体验：VS Code比Pycharm还要流畅一些~~

写在最后

为保证以后该环境不出幺蛾子，

请不要更改GPU驱动

请不要更新GPU驱动

请不要更新GPU驱动

如果你不慎更新了显卡驱动，按此笔记重新安装配置环境。

相关文章