雷锋网按:本文作者阿萨姆,本文首发于作者的知乎专栏《数据说》,雷锋网(公众号:雷锋网)获其授权发布。
背景
在Windows上使用GPU进行深度学习一直都不是主流,我们一般都首选Linux作为深度学习操作系统。但很多朋友如果只是想要了解深度学习,似乎没有必要专门装双系统或者改用Linux。现实生活中,很多使用学校或者公司电脑的朋友也没有操作权限改换系统。那么到底是否可以在Windows系统上设置深度学习框架,开发深度学习模型呢?
好消息是越来越多的深度学习框架开始支持Windows,这使得在Windows上使用GPU加速学习过程也变成了可能。很多朋友虽然没有一块很强劲的显卡,但也可以以较低的代价来了解在GPU上运行深度学习模型的过程。值得欣喜的是,大部分Nvidia GeForce系列的显卡都可以使用CUDA,大部分有独显的笔记本理论上都可以使用GPU来“深度学习”。即使加速效果不明显,但很多入门级的显卡依然可以用于TensorFlow,这至少可以帮助大家了解和熟悉这个框架。
请不要让缺少预算或者系统不兼容成为探索路上的拦路虎和借口。
本着探索的精神,我试着在两台Windows电脑上安装了CUDA(用于调用GPU)和TensorFlow(谷歌开发的深度学习工具库),把这个过程记录下来和大家分享。
在开始之前想再次提醒大家,在Windows上安装CUDA和TensorFlow有很多坑,对于各种软件版本以及系统设置的要求可谓非常刁钻,很容易就“误入陷阱”。请大家严格对照我的操作流程,以防出错。多图长文预警!!!使用教程时建议在电脑端阅读,可以放大图片。
准备步骤
请按照介绍下载以下软件备用,具体安装流程在第二部分介绍。
简单的说,我们需要 Windows 7/8/10, Server 2012/2016 + Python 3.5 + Visual Studio 2015 + CUDA 8.0 + CuDnn 6.0。
1.操作系统要求和硬件要求:
-
Windows版本:Windows 7,Windows 8,Windows 10,Windows Server 12/16
-
显卡版本:请对照英伟达提供的支持CUDA的显卡列表,建议查看英文版。不知道自己显卡版本的可以通过“设备管理器”查看,或者使用第三方软件GPU-Z查看。请注意,AMD的显卡不可以使用英伟达开发的CUDA…
-
英文列表:CUDA GPUs
2.Python版本:64位版本的Python 3.5。注意Python3.6和2.7都不可以。地址和版本如下图所示。如果使用错误的Python版本,将无法安装TensorFlow!
3.Visual Studio版本:
-
我们使用的CUDA8.0不支持Visual Studio 2017,使用VS2017会报错。
-
Visual Studio 2015的话现在最新的版本是Visual Studio 2015 with Update 3,网上有人说不能用Update 3这个版本,但根据我的亲测可以使用VS2015 with Update 3。下载免费的Community版本即可: https://imagine.microsoft.com/en-us/Catalog/Product/101。这个链接是ISO版本,大家也可选择EXE版本安装。其他VS2015的版本,如企业版(Enterprise)或者专业版(Professional)也可以,事实上我测试的时候安装的是企业版。
-
Visual Studio 2013根据文档介绍也可以,但我并没有实际测试,不推荐使用。
如果你的电脑上已经安装了VS2017或者VS2013,可以同时下载安装VS2015,并不存在冲突。
4.CUDA版本:TensorFlow的支持的CUDA版本截止到今天(2017年10月1日)还是 CUDA 8.0。千万要注意英伟达官网上的默认版本是CUDA 9.0,请不要下载安装这个版本。
正确的8.0版本下载地址: CUDA Toolkit 8.0 – Feb 2017 。网络比较好的朋友建议下载网络安装版本,不要下载本地版。
5.CuDnn版本:CuDnn 6.0 for CUDA8.0。这是唯一可以使用的版本,下载时请对应的你的操作系统选择合适的版本。
请特别注意下载CuDnn前必须注册英伟达社区的会员,虽然说是英文的但非常简单。 正确的下载版本如下图所示:
6.所有必备文件:
安装步骤(建议使用管理员权限账号)
请尽量按照本文的安装顺序进行安装,否则有可能运行失败!最重要的是,安装CUDA必须在安装Visual Studio之后,这两个顺序不可以调换。
1.安装Python
建议直接用Python的原生安装包,安装时建议勾选把Python加到系统路径当中去。
安装完成后检查Python的版本和PiP3的版本,那就是系统路径中的默认Python是3.54,且Pip3的版本大于8.01。
检测方法如上图,打开命令行分别输入 "python -V" 和 “pip3 -V”即可,正确的输出如上图。
2.安装Visual Studio 2015
安装VS2015没什么难度,只有一个选项需要自定义,别的选项都可以使用默认值。VS2015的默认安装不包括C++的编译器,必须手动勾选Visual C++,不然会面临后续的CUDA编译错误。
主要原因是VS2015在安装时并没有默认安装C++的编译器,也就是CL.exe。在后文中我会提到如果你没装Visual C++系统会如何报错。
3.安装CUDA
安装CUDA前请务必确认VS2015安装成功!这个时候你需要安装CUDA,双击我们下载的安装文件即可,一切都选择默认即可。
安装成功后会看到如下图:
4.验证CUDA安装成功:
4.1. 打开命令行,也就是cmd然后输入“nvcc -V”,如果安装正确的话你应该看到这样的输出:
输出中显示了CUDA的版本是release 8.0。
4.2. 使用VS和CUDA编译测试文件
进入“C:/ProgramData/NVIDIA Corporation/CUDA Samples/v8.0”文件夹,双击打开 “Samples vs2015”这个文件。
选择编译生成1_Utilities中所有的文件。具体操作就是在1_Utilities上右键选择Build,注意红框部分的64位和Release:
这个时候,你可能遇到了编译错误,如果你发现错误提示是无法找到 CUDA.prop那么就是CUDA安装错误,建议检查CUDA版本重新安装。
如果你看到这两个错误:
-
TRK0005: Failed to locate: "CL.exe". The system cannot find the file specified.系统找不到CL.exe,无法编译文件。面对这个错误那就是你没选Visual C++,需要重新安装时选上这个组件。
-
MSB8036: Windows SDK 8.1 was not found.如果你同时看到了这个错误说你没有安装 Windows SDK 8.1,那也可以通过安装C++ Redistribution这个来解决。
如果你没有遇到编译错误,那么应该看到下图提示5个文件编译成功:
在成功后,你会发现在“C:/ProgramData/NVIDIA Corporation/CUDA Samples/v8.0/bin/win64/Release”文件夹中出现了一堆文件,我们主要需要deviceQuery和bandwidthTest。
4.3. deviceQuery和bandwidthTest验证
运行我们刚才编译出来的deviceQuery.exe,也就是在cmd中运行这个文件,下图中左下的红框显示 result = pass代表安装测试成功,右下的红框是你的显卡型号请确认型号正确。Tesla K80只是我的这台机器型号,这个每个人可能都不一样。
运行我们刚才编译出来的bandwidthTest.exe,方法一样,也是关注是否result = PASS。
5.安装CuDnn
解压缩我们下载的CuDnn文件,得到3个文件夹:bin, include, lib。如下图所示,将这个三个文件夹复制到“C:/ProgramData/NVIDIA GPU Computing Toolkit/v8.0”。
6.确认系统环境变量(Environment Variables)
确认Python3.5.4.和Pip3在系统环境变量中,检查的方法上面已经介绍了。
打开系统环境变量设置,以Win10为例,请参考百度经验(http://t.cn/RYIJJht)介绍。
确认CUDA_PATH和CUDA_PATH_V8.0已经存在
手动添加 “C:/ProgramData/NVIDIA GPU Computing Toolkit/v8.0/bin”到Path里面。
7.安装TensorFlow的GPU版本
打开cmd,输入“pip3 install tensorflow-gpu”
我因为已经安装过了,所以显示已经安装。此处要注意三点:
-
要用pip3而不是pip
-
要安装tensorflow-gpu,而不是tensorflow
-
如果安装失败,很有可能你的Python版本不是3.5.,或者pip3版本太低,可以使用"pip3 install –upgrade pip3"来升级pip3
第一个TensorFlow程序!
恭喜你,我们离胜利已经一步之遥了:) 让我们来验证我们安装的TensorFlow可以使用GPU!
打开cmd,输入以下指令打开python的interactive shell。
首先导入tensorflow:
import tensorflow as tf
接着每次输入一行代码,并回车,你应该可以看到下图中表明你的GPU已经开始工作啦~
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)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print sess.run(c)
你可能在import TensorFlow时遇到了错误,如下图。这是因为你的CuDnn设置错误,请参考本文确认系统环境变量(Environment Variables)来修复。
写在最后
实践是检验真理的唯一标准,时间也是。在所有人都在大力鼓吹深度学习的今天,不管你喜欢还是反对,我都希望你可以亲自试试,感受一下:)
而现实生活中我们都有各种各样的制约,比如系统版本限制、比如有限的显卡预算。这也是我写这篇教程的目的,我不希望这些原因成为阻碍你探索研究的障碍。希望我的这篇文章为你的深度学习之路做出了一点微小的贡献。
欢迎来到深度学习的世界 ʕ•ᴥ•ʔ
雷锋网版权文章,未经授权禁止转载。详情见。
原创文章,作者:ItWorker,如若转载,请注明出处:https://blog.ytso.com/128965.html