1、首先檢查一下有沒有顯卡驅動,在桌面上右鍵如果有英偉達控制面板,那就說明你是有顯卡驅動的,如果沒有的話去英偉達官網上下載或者用驅動精靈(不推薦)
2、安裝cuda,cuda下載的時候一定要和自己的顯卡相對應,如果性能高於1060的就安裝cuda9,否則安裝cuda8。
cuda下載地址:https://developer.nvidia.com/cuda-toolkit-archive
cuda8下載地址:https://developer.nvidia.com/cuda-downloads
然後選擇如下:
我最後點的是精簡,然後一直確定
安裝完事後在cmd裏面測試,輸入nvcc-V,如果出現以下,則說明安裝成功了
CUDA安裝失敗問題visual studio integration failed問題解決方案,可按照下面博客解決
https://blog.csdn.net/weixin_44478778/article/details/86234044
3、安裝cudnn,cuda8必須搭配cudnn6
下載地址爲:https://developer.nvidia.com/cudnn
如果沒有下載的話,需要先註冊一下。
下載完成後解壓,解壓之後如下圖
然後把裏面相應的文件粘貼複製到cuda裏面相對應的文件中(bin裏的文件複製到bin裏)
4、安裝anaconda
anaconda下載地址https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
我下載的是Anaconda3-4.2.0-Windows-x86_64
安裝的時候把環境變量啥的都點上
5、在anaconda中下載tensorflow-gpu
首先用管理員權限打開Anaconda Prompt
然後在裏面創建tensorflow-gpu環境
conda create -n tensorflow-gpu python=3.5
因爲後期想要在Jupyter Notebook中打開這個環境,所以需要下載ipykernel,首先激活環境activate tensorflow-gpu,然後下載
pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple
後面跟的是清華的源,否則下載超級慢。
下載好之後就能在Jupyter Notebook裏面找到創建的環境了
然後下載tensorflow-gpu
pip install tensorflow-gpu==1.4.0 -i https://pypi.douban.com/simple
下載完事後下載matplotlib
pip install matplotlib -i https://pypi.douban.com/simple
測試matplotlib代碼
import numpy as np
from numpy import *
import matplotlib.pyplot as plt
# 測試數據集-二維 list
dataSet = [[-0.017612,14.053064],[-1.395634 ,4.662541],[-0.752157
,6.538620],[-1.322371 ,7.152853],[0.423363 ,11.054677],[0.406704
,7.067335],[0.667394 ,12.741452], [-2.460150 ,6.866805],[0.569411
,9.548755],[-0.026632 ,10.427743],[0.850433 ,6.920334],[1.347183
,13.175500],[1.176813 ,3.167020],[-1.781871 ,9.097953]]
dataMat = mat(dataSet).T # 將數據集轉換爲 numpy矩陣,並轉置
plt.scatter([dataMat[0]],[dataMat[1]],c='r',marker='o') # 繪製數據集散點圖
# 繪製直線圖形
X = np.linspace(-2,2,100) # 產生直線數據集
# 建立線性方程
Y = 2.8*X+9
plt.plot(X,Y) # 繪製直線圖
plt.show() # 顯示繪製後的結果
如果matplotlib出現問題,那應該是版本太高了
解決如下:
pip install matplotlib==2.0.2 -i https://pypi.douban.com/simple
然後在Jupyter Notebook裏面的tensorflow-gpu環境裏面檢測一下
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
#注意:allow_soft_placement=True表明:計算設備可自行選擇,如果沒有這個參數,會報錯。
#因爲不是所有的操作都可以被放在GPU上,如果強行將無法放在GPU上的操作指定到GPU上,將會報錯。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
#sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
期間會出一個警告:
錯誤和這個博客一樣,是numpy的版本太高的問題
https://blog.csdn.net/bigdream123/article/details/99467316
解決方法:在tensorflow-gpu環境裏再重新下載一個低版本的numpy
pip install numpy==1.16.0 -i https://pypi.douban.com/simple
至此tensorflow-gpu安裝完成
6、在pycharm中配置anaconda環境
首先下載pycharm:
https://www.jetbrains.com/pycharm/download/index.html#section=windows
下載的時候記得把環境呀啥的都點上。
然後在pycharm裏面調用,如下圖
至此就全部安裝成功了
tip:這裏修改字體大小之類的
這裏修改主題
7、當出現cuda顯存的問題時,可以修改如下:
gpu_options = tf.GPUOptions(per_process_gpu_memory_fraction=0.333)
sess = tf.Session(config=tf.ConfigProto(gpu_options=gpu_options))