前言
之前使用CPU版本的 说实话速度感人的一批。 训练几万张图片验证码花了我一夜时间。
据说gpu版本速度要好很多
现在我已经拥有一块1060独立显卡 特意下来试试
参考文章
https://www.cnblogs.com/guoyaohua/p/9265268.html
https://blog.csdn.net/weixin_39290638/article/details/80045236
配置检测
1.如果要安装GPU版本的TensorFlow的话，显卡必须独显，且显卡必须支持nvdia cuda，要想知道自己的显卡是否支持，请点击这里：https://developer.nvidia.com/cuda-gpus
image.png
测试自己的电脑 ，右键
image.png
可以看到支持的 有 NVIDIA控制面板
2.检测显卡是否支持 CUDA
image.png
显卡gpu型号 然后到支持列表里寻找
image.png
找到了 验证完毕
image.png
安装 CUDA
什么是:CUDA
CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员现在可以使用C语言来为CUDA™架构编写程序，C语言是应用最广泛的一种高级编程语言。所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。
简单来说就是GPU的运算工具
下载地址 CUDA工具包下载
选择你的平台
image.png
足足有2.1G 这时候拉一根高速光纤 两分钟下完后安装即可:
image.png
好的 两分钟过去了 相信你已经下完了，下面开始安装
image.png
没错 安装只需要点击一下就可以了 没有其他操作
相信你已经看到这里了 但是 我错了 因为 TF不支持 CUDA 10.0版本 具体看这里
image.png
我们卸载10.0的下载9.0版本
image.png
这次的比较小 只有1.4G 一分钟就够了
同样的点击一下就够了 好了 下面两个相当于安装完成
- CUDA®Toolkit- TensorFlow支持CUDA 9.0。
- CUPTI附带CUDA工具包。
安装 cuDnn
什么是 cuDnn
全称 CUDA Deep Neural Network 神经网络的优化工具包
这里要求版本大于7.2
image.png
放在路径 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0下面
打钩的可以下载
居然还有注册登录才能下载 操作一番 注册 登录 下载
是一个压缩包 解压后的三个子文件夹 复制到 CUDA 根目录下面即可
image.png
复制下来
image.png
path 添加四个 配置环境变量 :
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
安装Tensflow GPU 版本
pip install tf-nightly-gpu
提示我pip版本太老 顺便升级下pip
image.png
python -m pip install --upgrade pip
重复命令: pip install tf-nightly-gpu
image.png
我曹 还是失败了 放大招 翻墙
先打开 SS
再打开全局代理 Proxifier (否则只有浏览器能翻墙)
果然 还是失败了 pip 库里根本找不到对应gpu的tf版本 不是网络的问题
官网关于如何使用anaconda安装install_windows#installing_with_anaconda
经过搜索，可以直接使用安装 conda (前提是你安装过 anaconda)
使用anaconda安装
conda create -n tensorflow-gpu python=3.7
新建一个名字叫“tensorflow-gpu”，python版本为3.7的运行环境，此环境与Anaconda中其它环境隔离。红框中的软件包也会随之安装，输入“y“和回车后开始安装。
image.png
激活并进入环境，使后续指令在激活的环境中生效，输入指令：
conda activate tensorflow-gpu
升级pip到最新版，防止稍后的安装时，出现错误 输入指令：
python -m pip install --upgrade pip
安装tensorflow1.7.0及相应依赖包，输入指令：
pip install --ignore-installed --upgrade tensorflow-gpu
果然 还是失败了
image.png
最后我意识到可能是python版本太高了 我要装回低版本的anaconda
卸载 重装 anaconda
挑一个3.6版本的下载 https://repo.anaconda.com/archive/
如何获得低版本python环境的
http://docs.anaconda.com/anaconda/user-guide/faq/#how-do-i-get-the-latest-anaconda-with-python-3-5
Python 3.5（Anaconda 4.2.0）或Python 3.6（Anaconda 5.2.0）
所以我们下载5.0版本即可
这回安装成功了
image.png
image.png
验证一下:
image.png
如果出现错误 FutureWarning 升级 h5py 即可
至此，tensorflow的安装完成。
上面太长了 下面总结一下
1.Anaconda 安装python3.6 或者创建 python3.6的环境
2.安装 Tensflow GPU 版本
3.安装CUDA 9.0
4.安装cuDnn >7.2
代码验证
import tensorflow as tf
print(tf.test.gpu_device_name())
测试下之前写的验证码识别代码:
先运行创建验证码文件
(自行解决依赖问题)
cv2 要 pip install opencv-python 才能解决
python CreateCodePicture.py
图片生成中:
image.png
开始训练:
python PicturePractice.py
顺便记下时间
image.png
好了 只花了3分钟 训练完成
image.png
这速度也差太多了吧 原来可花了一夜时间的
最后测试训练结果:
python IdentifyingModel.py
加载训练出来的模型 看看准确率有多少:
image.png
还是不错的
网友评论