【深度学习】windows 10下CUDA+ cuDNN + MXNet/TensorFlow/TensorLayer 深度学习环境搭建

版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_28869927/article/details/84928077

关于版本

环境

目标安装版本：Python 3.6 + CUDA 9.0 + cuDNN 7 + MXNet-cu90/TensorFlow-gpu 1.11/TensorLayer 1.11
以上各版本之间有依赖关系，版本不兼容将出现运行问题。

Ubuntu系统步骤一致，部分命令不完全一致。

版本兼容关系

可参考我的另一篇文章：TensorFlow版本概述。这篇博文主要介绍TensorFlow和CUDA、cuDNN、Python之间的版本对应关系。

除了版本对应之外，还需要注意的问题就是GPU的计算容量computing capability和TensorFlow的对应关系。

至于MXNet的版本，简单来说：如果电脑上装的是 8.0 版本的 CUDA，则安装mxnet-cu80。如果电脑上安装了其他版本的 CUDA（比如 7.5、9.0、9.2 等），则分别安装mxnet-cu75、mxnet-cu90、mxnet-cu92等。具体可参见相关文档。

搭建过程

安装Anocanda

Python环境搭建建议使用科学计算集成python发行版Anaconda，Anaconda里面集成了大量常用的科学计算库，方便平时的开发使用。当然用户也可以根据自己的使用习惯选择合适的安装方式，但是python的版本最低要求为python3.5。

下载最新版本的Anocanda，其对应的是Python 3.7版本（写文日期2018年12月9日），作为电脑的全局Python环境。为什么这里选择Python 3.7而不是目标版本的3.6下文会提到。

安装之后不要忘记将Anocanda添加到环境变量。

安装CUDA和cuDNN

安装NVIDIA的CUDA显卡驱动需要预安装编译环境VS，VS最低的版本要求为VS2010，但建议安装较新的版本。这里安装CUDA9.0，选择Visual Studio 2017.

为了使用显卡进行GPU加速运算，需要安装NVIDIA的CUDA驱动，这里采用CUDA9.0，根据操作系统下载对应的版本。建议使用local安装的方式，以防出现安装过程中因为网络中断造成安装失败的现象。安装过程中所有的选择直接选择默认，如果C盘空间足够，不建议手动更改安装目录。

下载CUDA9.0，并安装。双击下载的CUDA安装文件.exe，按照安装向导安装即可。建议安装目录不要出现中文。


cuDNN是NVIDIA针对深度学习计算的一个加速，建议安装。需要注册一个账号才能下载cuDNN，然后根据CUDA的版本和windows的版本下载相应的cuDNN源码。下载下来之后直接解压，解压之后有三个夹bin,lib,include，把解压之后的三个文件夹直接复制到CUDA的安装目录。

下载对应版本的cuDNN，这里为cuDNN7.4版本。

创建虚拟环境并安装NXNet

使用Anocanda自带的conda创建虚拟环境。关于虚拟环境，可以参考博文浅谈Python虚拟环境virtualenv.所以全局Python使用3.7也没关系。

conda 默认使用国外站点来下载软件，以下可选项配置使用国内镜像加速下载:

# 配置一次即可，下次使用不需再次配置
# 使用清华 conda 镜像。
conda config --prepend channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
# 或者选用科大 conda 镜像。
conda config --prepend channels http://mirrors.ustc.edu.cn/anaconda/pkgs/free/

更改pip镜像站点，创建目录C:\User\username\pip目录，新建文件pip.ini，写入内容：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple
[install]
trusted-host=mirrors.aliyun.com

Ubuntu用户创建~/.pip/pip.conf，内容同上。

一定要设置呀，不然速度让人怀疑人生！！！(几kB/s v.s. 10MB/s)

不同于浅谈Python虚拟环境virtualenv一文，这里使用配置文件的形式创建想要的环境。

新建environment.yml文件，配置文件的内容根据自己的情况定义即可。我的内容如下：

name: deeplearning_mxnet
dependencies:
- python=3.6
- jupyter=1.0.0
- matplotlib=2.2.2
- pandas=0.23.2
- pip:
  - requests==2.18.4
  - mxnet-cu90==1.2.1
  - gluonbook==0.8.5

然后在此目录下打开cmd窗口，输入命令：

conda env create -f environment.yml

Step 1：创建虚拟环境：

Step 2：DEBUG环境并安装配置文件中pip指定的库：

Step 3：Done！

完成之后，在Anaconda安装目录的\envs下可以找到创建的虚拟环境。我的为D:\Anaconda3\envs\deeplearning_mxnet。

安装TensorFlow和TensorLayer

1.使用配置文件安装。安装过程同上述MXNet，更改配置文件相关项即可。当然，也可以同时安装MXNet和TensorFlow。

name: deeplearning
dependencies:
- python=3.6
- jupyter=1.0.0
- matplotlib=2.2.2
- pandas=0.23.2
- pip:
  - requests==2.18.4
  - mxnet-cu90==1.2.1
  - gluonbook==0.8.5
  - tensorflow-gpu==1.11.0
  - tensorlayer==1.11

2.不从配置文件安装。按照浅谈Python虚拟环境virtualenv创建虚拟环境。使用pip install安装。

# 创建环境
conda create -n deeplearning_tensor python=3.6 anaconda
# 安装tensorflow/tensorlayer
pip install tensorflow-gpu==1.11.0
pip install tensorlayer==1.11

结果检验

激活创建的深度学习环境，

MXNet检验：

TensorFlow/TensorLayer

TensorFlow官网给出了使用GPU的方式：

总结

1. 不管是安装MXNet还是TensorFlow/TensorLayer，安装之前一定要整理清楚安装的各个组件版本，不对应或者不兼容的话无法正常运行；
2. 安装完对应版本CUDA和cuDNN后，MXNet和TensorFlow/TensorLayer安装都比较容易，直接通过pip install即可。从配置文件安装本质上也是pip install；
3. 创建虚拟环境安装之前，一定记得更改conda和pip的镜像网站，它们默认都是从国外站点下载。使用默认站点速度真的让人怀疑人生。国内镜像网站有很多，这里不再列举，可以根据自己的需要进行配置；
4. 最后，祝大家一切顺利，玩抓深度学习。