Win7 +Cuda9.0+cudnn7.0.5 tensorflow-gpu1.5.0 安装实战

https://blog.csdn.net/gangeqian2/article/details/79358543

https://blog.csdn.net/tomato_sir/article/details/79973237

https://blog.csdn.net/qq_36556893/article/details/79433298  -->这里面有个链接，支持cuda9.1的tensorflow

 

装GPU版本的tensorflow，搞了1天多，终于搞清来龙去脉。记录于此希望让你少走弯路。  

我的第一块显卡是 NVIDIA Quadro 2000

 支持cuda5.0.1 ，驱动太低，tensorflow gpu版本需要至少cuda8.0。 你用驱动精灵升级你的显卡驱动。

后来发现，不需要用驱动精灵先升级显卡驱动的。你就直接装cuda，全部安装，别少选，他里面有驱动，会帮你升级。但问题是，老显卡你不知道最高支持多少，比如显卡最高支持cuda8.0，你装个cuda9.0，那不行的。

所以，如果你是第一次装，你还是老老实实先用驱动精灵升级显卡驱动，这样你就知道显卡最高支持多少的cuda了。

 

我之前不知道上面的规律，所以我看到5.0.1后，以为这显卡不能用，换了一个更高级的显卡，用驱动精灵装完驱动后发现显卡是cuda9.2，后来发现后续装cudnn 支持不了9.2（why?你看这篇文章的第5点，列表中cuda9.2没有支持win7的包），后来重新装cuda9.0 后，这里的驱动也降到了9.0.  

上面的经验也折腾了好久。。

下图是我第一块显卡，后来被证实这块显卡装好最新驱动后支持cuda8.0. 下面的记录都是我用第二块显卡的过程。这个图的主要目的是让你知道哪里去找显卡的cuda版本。你运行里面直接搜索'nvidia控制面板就行'

                                                                                  图一

 

 

1.为了要cpu和gpu都支持，需要新建一个新的虚拟环境

（后来我把虚拟环境删除了，不要cpu版本的了，直接gpu版本，下面2.3 两步可以省略）

conda create --name tensorflow-gpu python=3.6  

　红色字为新环境名字，随意~

2.切换到新的环境　

activate tensorflow-gpu 

 

3.查看当前环境, 可以看到已经切换了。  * 好就是当前的环境

conda info --envs

 

 

 

 

4.安装cuda

先装 VS2013 （VS2015 VS2017 都可以行，vs2012是否可以，请网友试验成功后告诉我哈，我装cuda时，里面显示可以装vs2012的扩展，所以我认为都是可以的）

装完vs，装cuda

最新CUDA下载地址：https://developer.nvidia.com/cuda-downloads 

我的cuda在这里：https://developer.nvidia.com/cuda-90-download-archive?target_os=Windows&target_arch=x86_64&target_version=7&target_type=exelocal

所有的cuda历史版本在这里： https://developer.nvidia.com/cuda-toolkit-archive

5.  装cudnn 

务必到下面网站看下，支持的cuda版本，和操作系统的版本。我是win7，cuda9.0 用的是红框的。

https://developer.nvidia.com/rdp/cudnn-archive   （这网站要注册，而且网站比较慢，需要FQ，好麻烦的~~）

 

 

 

按照其他帖子，把cudnn直接复制到相应目录。

打开你下载路径可以看到cuda文件夹下有三个子文件，分别为bin、include和lib

将以下三个路径添加到环境变量中（不知道环境变量在哪的朋友自行百度~）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64；

 

（温馨提示：记得路径之间加分号  ；）

 

6. 安装 tensorflow-gpu 1.5.0 

 

如果第一次使用anaconda，pip可能比较老了，可以升级一下pip先：

python -m pip install --upgrade pip

安装之前记得先把cpu版本的tensorflow卸载，还有tensorboard也卸载。

pip uninstall tensorflow

pip uninstall tensorboard (这步大概不需要，你自己看看吧)

pip install tensorflow-gpu==1.5.0       指定一个版本，  老版本不支持 cuda9.0  只支持cuda8.0，新的版本据说有bug，反正用1.5.0据说不出问题。

 

备用，如果你pip安装出错或者网络慢，可以先下载whl文件：

tensorflow 的 whl文件下载

https://pypi.org/project/tensorflow-gpu/1.5.0/#files

 

7.测试下 

我做测试时，所有都装好后运行下面两句,import没问题，但是tf.__version__显示没有这个模块。

经过反复重装也没用，最后，我把anaconda更新了一下。就好了【轻描淡写的一句话，实际上我折腾了大半天。。。。最后不行了才想到去更新anaconda】

import tensorflow as tf
tf.__version__

 

测试是否能用gpu，应该返回true 

tf.test.is_gpu_available( cuda_only=False, min_cuda_compute_capability=None )

　　 

8. 更新anaconda 

以下两个方法都OK。大概需要半小时左右（看网速多快了）。我用第一个方法的。

 方法1：

 

方法2：

conda install  -c anaconda html5lib  

　　

用了方法一后，我对比了一下，发现里面的包并没有更新：

 

 

上面2种方法还是有点区别的，第二种方法会更新所有的库，第一种方法并没有更新别的库，只是更新了conda

类似于下面，这句话的意思是更新conda，这个指令的作用是更新conda 的package库

第一种方法类似于：conda update conda

第2种方法类似于：conda update --all

　　

　　

conda的文档

https://conda.io/docs/user-guide/getting-started.html　　

 

9. 经过上面第8步更新后，再回到第六步，安装tensorflow-gpu 就可以安装成功了。

一段demo

#写在第一段单元格
import tensorflow as tf

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

a = tf.constant(10)
b = tf.constant(32)
print(sess.run(a + b))



#写在第二个cell
import tensorflow as tf
import numpy
import matplotlib.pyplot as plt
rng = numpy.random

learning_rate = 0.01
training_epochs = 1000
display_step = 50
#数据集x
train_X = numpy.asarray([3.3,4.4,5.5,7.997,5.654,.71,6.93,4.168,9.779,6.182,7.59,2.167,
                         7.042,10.791,5.313,9.27,3.1])
#数据集y
train_Y = numpy.asarray([1.7,2.76,3.366,2.596,2.53,1.221,1.694,1.573,3.465,1.65,2.09,
                         2.827,3.19,2.904,2.42,2.94,1.3])
n_samples = train_X.shape[0]
X = tf.placeholder("float")
Y = tf.placeholder("float")

W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

pred = tf.add(tf.multiply(X, W), b)

cost = tf.reduce_sum(tf.pow(pred-Y, 2))/(2*n_samples)

optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(cost)

init = tf.initialize_all_variables()
with tf.Session() as sess:
    sess.run(init)

    # 训练数据
    for epoch in range(training_epochs):
        for (x, y) in zip(train_X, train_Y):
            sess.run(optimizer, feed_dict={X: x, Y: y})

    print("优化完成!")
    training_cost = sess.run(cost, feed_dict={X: train_X, Y: train_Y})
    print("Training cost=", training_cost, "W=", sess.run(W), "b=", sess.run(b), '\n')

    #可视化显示
    plt.plot(train_X, train_Y, 'ro', label='Original data')
    plt.plot(train_X, sess.run(W) * train_X + sess.run(b), label='Fitted line')
    plt.legend()
    plt.show()

 运行后显示：

 10  虽然能运行上面的，但是发现导入tensorflow时会报错

是因为numpy版本和h5py的不兼容，升级 pip install --upgrade h5py==2.8.0rc1

 

参考：

https://blog.csdn.net/u014561933/article/details/80156091