TensorFlow学习笔记0-安装TensorFlow环境

作者: YunYuan

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

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
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。
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；
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；
在Anaconda promt中输入conda info --envs 以检查目前都有哪些环境；
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
进入该环境 activate tf
检查Python版本 python --version
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)
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

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))

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.]]

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：

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

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 建立一个2*100的随机数的矩阵
y_data = np.dot([0.100, 0.200], x_data) + 0.300  # (2*1)点乘(2*100)

# 构造一个线性模型,这里创建了一个"计算图"
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差,这里给出你要优化的指标以及优化的方式
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 启动图 (graph),并进行初始化
init = tf.initialize_all_variables()
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
sess.run(init)

# 拟合平面
for step in range(0, 201):
sess.run(train)
if step % 20 == 0:
print(step, sess.run(W), sess.run(b))
# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

#关闭会话
sess.close()

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

如果你不慎更新了显卡驱动，按此笔记重新安装配置环境。