windows 上面的tensorflow-GPU、cuda、cudnn 安裝

標籤：   pytho   tle   from   lan   高效能   hold   自己的   怎麼辦   

安裝說明

平台：目前可在Ubuntu、Mac OS、Windows上安裝 
版本：提供gpu版本、cpu版本 
安裝方式：pip方式、Anaconda方式 
Tips:

1. 在Windows上目前支援python3.5.x
2. gpu版本需要cuda8,cudnn5.1

安裝進度

2017/3/4進度： 
Anaconda 4.3（對應python3.6）正在安裝，又刪除了，一無所有了 
2017/3/5進度： 
Anaconda 4.3（對應python3.6）get 
Anaconda中python3.5.2get 
tensorflow1.0.0get

行文思路

在看別人教程時候總遇到些沒見過的名詞，讓人望而生畏。 
所以索性從名詞解釋開始。 
然後講述TensorFlow的安裝和簡單樣本。 
作為自己的筆記， 
也希望像我一樣的小白看到這篇教程能覺得做起來很順暢！

CUDA

CUDA(Compute Unified Device Architecture)，是顯卡廠商NVIDIA推出的運算平台。 CUDA?是一種由NVIDIA推出的通用並行計算架構，該架構使GPU能夠解決複雜的計算問題。 它包含了CUDA指令集架構（ISA）以及GPU內部的並行計算引擎。 開發人員現在可以使用C語言來為CUDA?架構編寫程式，C語言是應用最廣泛的一種進階程式設計語言。所編寫出的程式於是就可以在支援CUDA?的處理器上以超高效能運行。CUDA3.0已經開始支援C++和FORTRAN。 
計算行業正在從只使用CPU的“中央處理”向CPU與GPU並用的“協同處理”發展。為打造這一全新的計算典範，NVIDIA?（英偉達?）發明了CUDA（Compute Unified Device Architecture，統一計算裝置架構）這一編程模型，是想在應用程式中充分利用CPU和GPU各自的優點。現在，該架構已應用於GeForce?（精視?）、ION?（翼揚?）、Quadro以及Tesla GPU（圖形處理器）上。 
來自百度百科。

（所以我的A卡是用不成它的）

Anaconda

Anaconda是由Python提供支援的領先的開放資料科學平台。 Anaconda的開源版本是Python和R的高效能分發版本，包括超過100個用於資料科學的最流行的Python，R和Scala軟體包。 
來自Anaconda官方下載頁面 
具體使用見Anaconda官方教程，簡單易懂！

Anaconda初步學習

0.下載Anaconda安裝包：Anaconda官方 
我下載的是Anaconda4.3.0For Windows 64bit（內建python3.6） 
下載好了就安裝，一直下一步。 
1.檢查Anaconda是否成功安裝：conda --version 
 
（嘻嘻，第一步成功了，開心點） 
2.檢測目前安裝了哪些環境：conda info --envs 
 
（只有一個呀！不怕，繼續來！） 
3.檢查目前有哪些版本的python可以安裝：conda search --full-name python 
 
（好多呀，要哪個呢？嘻嘻當然是python3.5啦） 
4.安裝不同版本的python：conda create --name tensorflow python=3.5 
（猜想輸入python=3.5版本後，系統會自動選擇一個3.5.x的版本吧） 
 
（python3.5.3要不要？實驗室服務器上是3.5.2，統一好啦！） 
 
（好啦，GO！） 
 
（嘻嘻！安好啦！又離成功近了一步！） 
5.按照提示，啟用之：activate tensorflow 
 
（嘻嘻它有了一頂小帽子~代表我的當前環境哦） 
6.確保名叫tensorflow的環境已經被成功添加：conda info --envs 
 
（Bravo!） 
7.檢查新環境中的python版本：python --version 
 
（^^開心開心~） 
8.退出當前環境：deactivate 
 
（小帽子掉了） 
9.切換環境：activate tensorflow 
 
想切換到哪個環境就 activate哪個~ 
這篇文章既然是安裝tensorflow的，當然要avtivate tensorflow! 
小妖精！我來了！

PS：想瞭解更多請看Anaconda官方教程，簡單易懂好上手！別亂搜網上的教程，沒有官方教程看著清爽！

TensorFlow安裝 
本文是將tensorflow在原生windows系統上安裝， 
採用anocanda的安裝方式， 
安裝的是cpu版本（嗯，作為AMD的顯卡，掩面哭）

Anaconda 4.3.0.1(帶有python3.6） 
在Anaconda裡面配了python3.5.2 
下面是今天的主角！（劈裡啪啦）

1.按照官網的指示： 
pip install --ignore-installed --upgrade https://storage.googleapis.com/tensorflow/windows/cpu/tensorflow-1.0.0-cp35-cp35m-win_x86_64.whl

 
（好吧，先是打錯，接下來又這樣！我不知道該怎麼辦了(ㄒoㄒ)/~~） 
2.另一種嘗試：pip install tensorflow

 
（劃重點了，原來是這樣子！我是AMD的卡，對應的不一樣！） 
3.確認tensorflow安裝成功： 
錯誤嘗試:直接在cmd裡面鍵入python，然後鍵入import tensorflow as tf

 
（小夥子預設的是python3.6啊啊啊啊啊，要從anaconda進入剛剛裝的那個python3.5裡面哦！~）

正確嘗試：進入Anaconda Prompt-python裡面，進入安裝的名叫tensorflow的環境（我們裝的python3.5.2記得嗎？~），鍵入python，然後再鍵入import tensorflow as tf 
在這裡可以找到Anaconda Prompt-python： 
 

開啟Anaconda Navigator（開始菜單->Anaconda 3->Anaconda Navigator），搞一個spyder玩，點擊spyder下面的“install”，安裝好就變成“Launch”了，點擊就可以進去了。 

在spyder裡對tensorflow說Hello! 

輸出： 
 
（嘿嘿嘿哈哈哈我感覺我好像成功了！！！你呢？~~）

參考tensorflow官方文檔，請上英文官網，中文社區似乎沒有更新windows上的安裝

TensorFlow常式上手

裝了個新東西，我們先把它用起來吧！ 
概念什麼的跑完第一個小程式再看！ 
找點成就感才好繼續下去！ 
樣本來源：MINIST For ML Beginners

MINST資料集：

1. 55000訓練集，10000測試集，5000驗證集
2. 每張圖片都是28pixels*28pixels

代碼：

#獲得資料集from tensorflow.examples.tutorials.mnist import input_datamnist = input_data.read_data_sets("MNIST_data/", one_hot=True)import tensorflow as tf#輸入映像資料預留位置x = tf.placeholder(tf.float32, [None, 784])#權值和偏差W = tf.Variable(tf.zeros([784, 10]))b = tf.Variable(tf.zeros([10]))#使用softmax模型y = tf.nn.softmax(tf.matmul(x, W) + b)#代價函數預留位置y_ = tf.placeholder(tf.float32, [None, 10])#交叉熵評估代價cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))#使用梯度下降演算法最佳化：學習速率為0.5train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)#Sessionsess = tf.InteractiveSession()#初始設定變數tf.global_variables_initializer().run()#訓練模型，訓練1000次for _ in range(1000):  batch_xs, batch_ys = mnist.train.next_batch(100)  sess.run(train_step, feed_dict={x: batch_xs, y_: batch_ys})#計算正確率correct_prediction = tf.equal(tf.argmax(y,1), tf.argmax(y_,1))accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))print(sess.run(accuracy, feed_dict={x: mnist.test.images, y_: mnist.test.labels}))

 

運行結果：輸出顯示得到模型的準確率 

結語

昨天花費了大半天部署環境，不但一無所獲且搞得焦頭爛額。今天再戰，索性邊做邊寫，好像和旁邊的人在聊天一樣。嗯，心情愉悅的時候容易做出東西。時間很寶貴，但還是希望你的學習曲線不要太陡峭，希望你能愉快地走進新領域。

windows 上面的tensorflow-GPU、cuda、cudnn 安裝