赞
踩
越来越多的的人入坑机器学习,深度学习,tensorflow 作为目前十分流行又强大的一个框架,自然会有越来越多的新人(我也刚入门)准备使用,一般装的都是 CPU 版的 tensorflow,然而使用 GPU 跑 tensorflow,速度可以快上好几倍。正好前段时间看到了使用小米pro(我目前使用的笔记本,感觉贼好用(我没有在推销))配置 gpu 的教程,就试了试,最后成功了。
操作系统:Windows10
配置:Tensorflow 1.12 + CUDA 9.0 +cuDNN v7.1 for CUDA9.0
GPU:NVIDIA GeForce MX150(小米pro i7-8550 8G 256G)
软件:Anaconda(我之前写过安装教程)
注:发现 tensorflow 1.13 发布了,但其配置要求与1.12版本有所差别,若按照本博客配置1.13版本运行会报错(可能与cuda版本相关,据说1.13版本支持cuda10了,可以试试cuda10)。 2019/3/2
需要考虑版本配套问题,不然即使装了最后也会报错。这里给出 CUDA 和 cuDNN 的网盘连接,提取码:e1ak
关于版本适配问题也可以看我的这篇文章
再给一波关于显卡是否对 CUDA 支持的查看网址,如果不确定自己的显卡是否支持 CUDA,可以去看看。
关于 CUDA 的安装,看这篇文章,写的很详细(好吧,还是我比较懒,不太想敲键盘)
官网下载地址
注意:下载的时候要下对应自己下载的CUDA的版本
把下载好的 cuDNN 的 zip 解压后,把 bin、include、lib 三个文件夹内的文件拷贝到 CUDA 9.0 的目录下的对应文件中即可。
CUDA 的默认路径
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\
然后开始配置环境变量
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
这里还是比较建议新创建一个虚拟环境,免得安装好的 tensorflow-gpu 跟原环境中的某些包冲突。
键入
conda create --name tensorflow-gpu python=3.6.1
activate tensorflow-gpu
两种方法
pip install --upgrade tensorflow-gpu
下载 tensorflow-gpu 的离线安装包,找到下载好的whl路径,然后键入
**
pip install c:...\tensorflow_gpu-xxxx.whl
输入
python
然后再输入
import tensorflow as tf
如果没报错,就表示安装成功了。
然后,再来段 tensorflow 的 hello world
import tensorflow as tf
tf.enable_eager_execution()
a = tf.constant(1)
b = tf.constant(1)
c = tf.add(a, b)
print(c)
至此,我们的 tensorflow-gpu 就装好了,接下来就开始 tensorflow 的学习之旅吧。
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:【wpsshop博客】
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。