“只需复制粘贴” 零基础部署GPU加速的TensorFlow.NET深度学习训练环境_.net tensorflow

1. TensorFlow.NET介绍

TensorFlow.NET (TF.NET) 是 SciSharp STACK 开源社区团队的贡献，它为TensorFlow提供了.NET Standard binding，旨在以C＃实现完整的Tensorflow API，允许.NET开发人员使用跨平台的.NET Standard框架开发、训练和部署机器学习模型。TF.NET的使命是打造一个完全属于.NET开发者自己的机器学习平台，特别对于C#开发人员来说，是一个“0”学习成本的机器学习平台，该平台集成了大量API和底层封装，力图使TensorFlow的Python代码风格和编程习惯可以无缝移植到.NET平台，下图是同样TF任务的Python实现和C#实现的语法相似度对比，从中读者基本可以略窥一二。

SciSharp STACK的机器学习工具库和微软官方的库最大的区别是：里面所有库的语法都最大限度的按照python生态的习惯。有了SciSharp, 相当于有了typed-python (强类型python)，这样做的目的，也是为了.NET开发者花最小的成本去学习并运用上机器学习。SciSharp STACK 目前包含几个流行项目: BotSharp(AI机器人平台框架)，NumSharp(数值计算库)，TensorFlow.NET (深度学习库)，Pandas.NET (数据处理库)，SharpCV（图形图像处理库），可以完全脱离Python环境使用，目前已经被微软ML.NET官方的底层算法集成，并被谷歌写入TensorFlow官网教程推荐给全球开发者。

• SciSharp 产品结构

• 微软 ML.NET底层集成算法

• 谷歌官方推荐.NET开发者使用

  URL: https://www.tensorflow.org/versions/r2.0/api_docs

2. “只需复制粘贴” 零基础部署GPU加速的TensorFlow.NET深度学习训练环境

你是否踩过GPU环境部署中Cuda和cuDNN的坑，是否为如何进行深度学习GPU训练软件的移植和快速应用而烦恼，那么本文就是为了解决这些问题而制作的，一键部署GPU，最大化体现.NET优势，彻底解决GPU环境配置的繁琐问题，让你专注于深度学习算法和模型的开发。

本文主要适用于下述情况：

• 一键部署深度学习训练软件，无需安装复制的Cuda、cuDNN和配置环境变量等；
• 希望将GPU加速的训练软件整体打包、移植使用，软件安装绿色简便化；
• GPU训练版本软件开发完交付客户，避免因客户PC配置差异导致的软件无法正常使用；
• 简单地复制粘贴，即可一键完成GPU训练环境部署，确保GPU环境安装“0”差错；
• 需要在一台机器上 同时 跑多个版本TF和多个版本Cuda的开发环境

原理说明：

利用.net的封装优势，将 tensorflow.dll、TensorFlow.NET.dll 及 NVIDIA GPU 相关必要的 DLL 全部提取，拷贝至应用程序相同目录下，伴随可执行文件打包、移植使用，实现 GPU 环境跟随主程序版本打包应用的效果。

下面开始进行实测说明：

第一步，NVIDIA GPU驱动安装

在NVIDIA官网下载最新的显卡驱动 [https://www.geforce.cn/drivers]，例如我的GeForce RTX 2080，，操作系统请按照你自己的情况选择Windows 7 64-bit 或者 Windows10 64-bit。

注意事项：TensorFlow 2 需要的 CUDA 10.1 ，需要 NVIDIA® GPU 驱动程序 418.x 或更高版本。

找到后点击下载：

下载完成后，进行安装（这是RTX2080显卡对应的驱动程序，读者的硬件和驱动有可能不同）：

安装完成后，重启计算机：

第二步，新建项目，安装和引用 TensorFlow.NET GPU

创建解决方案，通过 NuGet 安装 TF.NET GPU，安装指令如下：

Install-Package TensorFlow.NET

Install-Package SciSharp.TensorFlow.Redist-Windows-GPU

第三步，拷贝NVIDIA GPU加速的必要DLL至程序运行目录

主要是这一步，拷贝NVIDIA GPU加速的依赖的类库至程序运行目录下，读者的依赖类库可能略有差异，具体查询和下载的方法后面会单独介绍，本文使用的硬件(RTX2080)和系统环境(Win7 64bit)对应的7个依赖类库如下：

• cublas64_100.dll
• cudart64_100.dll
• cudnn64_7.dll
• cufft64_100.dll
• curand64_100.dll
• cusolver64_100.dll
• cusparse64_100.dll

具体的文件明细如下：

第四步，拷贝完成后即可进行GPU加速的深度学习代码开发

拷贝完成后即可直接进行GPU加速的TensorFlow深度学习代码的开发，开发完成的程序可以直接打包，转移至新的GPU环境的计算机中，直接进行GPU加速的TensorFlow.NET的模型训练（显卡驱动需要预先正确安装）。

完整的TensorFlow.NET带GPU环境的类库清单如下：

附录：利用 Dependency Walker 软件查询 TF.NET 依赖的 GPU 类库

什么是 Dependency Walker ？Dependency Walker 是 Microsoft Visual C++ 中提供的非常有用的 PE 模块依赖性分析工具。主要功能如下：

• 查看 PE 模块的导入模块；
• 查看 PE 模块的导入和导出函数；
• 动态剖析 PE 模块的模块依赖性；
• 解析 C++ 函数名称；

本文主要利用 Dependency Walker 查看模块依赖性，通俗地讲，就是利用 Dependency Walker 软件找到 tensorflow.dll 这个核心库的GPU版本正常运行，所需要配套的那些必要的DLL文件。

首先，我们打开 Dependency Walker 软件，将 tensorflow.dll 拖入主界面（或者点击手动载入文件），载入后，软件会自动分析并给出缺失的DLL文件清单，如下所示：

然后，根据缺少的文件信息，直接从NVIDIA官网下载，或者从另一台已经配置完成GPU环境的PC中拷贝，拷贝路径同样可以利用 Dependency Walker 进行自动查询，方法同上，也是在已经配置完成GPU环境的PC上，将 tensorflow.dll 拖入 Dependency Walker 主界面，该软件会自动找到匹配的DLL文件的详细目录信息（读者的目录不一定相同，一般从程序运行目录或者环境变量PATH的目录中自动查找），如下所示：

拷贝完成后，重新运行 Dependency Walker 软件，重复上述流程，即可发现所有DLL均已正常被引用，接下来，就可以愉快地专注于深度学习算法的开发和模型的搭建了，正常引用的DLL如下所示：

以上，就是零基础部署GPU加速的TensorFlow.NET深度学习训练环境的全部过程，只需复制粘贴，即可完成GPU环境的安装，非常地简单便捷。

Contact

GitHub

TensorFlow.NET： https://github.com/SciSharp/TensorFlow.NET

SciSharp-Stack-Examples： https://github.com/SciSharp/SciSharp-Stack-Examples

TensorFlow.NET-Tutorials： https://github.com/SciSharp/TensorFlow.NET-Tutorials

Tencent TIM group