前言

博主大三计算机科学与技术专业,培养方向为人工智能方向。大三一年开设《智能算法程序设计》,《大数据分析》两门课程,其实就是搞机器学习。大三下正在学习周志华老师的《机器学习》--西瓜书。神经网络部分学习需要Keras框架跑数据。

机器配置

机器显卡版本CUDA版本CuDNN版本Keras版本Tensorflow版本
小新Pro13 2020MX350V10.1.105v7.6.42.4.32.2.0

默认Python基础环境

在安装Keras支持GPU加速时,默认已经搭建好了Python基础环境。博主的基础环境为Anaconda, jupyter notebook

安装Cuda

1. 确定电脑支持的CUDA版本

image-20210303185950134

这里显示cuda 版本为 10.2

2. 确定tensorflow

进入tensorflow查看tensorflow支持的CUDA和CuDNN的版本
https://tensorflow.google.cn/install/source_windows

image-20210303190001284

由于博主电脑虽然是支持CUDA 10.2的,但是实际安装10.2版本后是不支持GPU加速的。
具体原因未知。所以就降了一个版本的CUDA,最后选择了10.1版本的CUDA

3. 安装CUDA 10.1

1)进入英伟达官网 https://developer.nvidia.com/cuda-toolkit-archive
image-20210303190015736

2)下载10.1版本的,这三个任意一个均可。
image-20210303190029553
选择local 离线安装。 选择在线安装会很慢的,毕竟2.6G。

3)安装CUDA:双击执行下载的exe文件,会先解压文件到临时目录(不是安装目录),保持默认即可
image-20210303190043736

4)选择自定义安装
image-20210303190057380

5)去掉Visual Studio这项
image-20210303190112238

6)建议默认安装在C盘 。 这三个路径很重要,需要记住,后面配置环境变量以及安装cuDNN要用到
image-20210303190125488

7)配置CUDA的环境变量
一般会自动配置环境变量,如果没有配置环境变量请手动添加。不管是否是自己手动添加,一定要重启电脑,配置环境才能生效

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1\bin\win64
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1\common\lib\x64

具体以自己安装的路径为准

8)验证CUDA是否安装成功

nvcc -V
image-20210303190138092

4. 安装cuDNN

确定CUDA版本的时候,我们看到 tensorflow-gpu 2.2.0 支持CuDNN的版本为 7.6。
tensorflow-gpu,CUDA,CuDNN三者的版本一定要对应。
博主选择的 v7.6.4
进入英伟达 下载CuDNN, https://developer.nvidia.com/rdp/cudnn-archive

注意:需要先注册账号,填写个人信息及简单的调查文件后才能下载。
image-20210303190148134

下载之后,解压缩,将CUDNN文件夹里面的bin、include、lib文件直接复制到CUDA的安装目录下,直接覆盖安装即可。

5. 安装tensorflow

在Anaconda的环境中安装 tensorflow-gpu 2.2.0

pip install tensorflow-gpu==2.2.0

如果下载速度慢的话,自行百度换源。

6. 安装Keras

pip install Keras==2.4.3

检验测试

打开Jupyter notebook
跑代码

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

输出

incarnation: 4112472141665369881
physical_device_desc: "device: XLA_CPU device"
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 1399891148
locality {
  bus_id: 1
  links {
  }
}
incarnation: 1247557474537771722
physical_device_desc: "device: 0, name: GeForce MX350, pci bus id: 0000:02:00.0, compute capability: 6.1"
, name: "/device:XLA_GPU:0"
device_type: "XLA_GPU"
memory_limit: 17179869184
locality {
}
incarnation: 5997965106256956714
physical_device_desc: "device: XLA_GPU device"
]

可以看到GPU设备信息已经打印出来了。已经成功了。

再次跑一段代码

import tensorflow as tf
from tensorflow.keras import Model
from tensorflow.keras.layers import Dense, Flatten, Conv2D


class MyModel(Model):
    def __init__(self):
        super(MyModel, self).__init__()
        self.conv1 = Conv2D(32, 3, activation='relu')
        self.flatten = Flatten()
        self.d1 = Dense(128, activation='relu')
        self.d2 = Dense(10, activation='softmax')

    def call(self, x):
        x = self.conv1(x)
        x = self.flatten(x)
        x = self.d1(x)
        return self.d2(x)


@tf.function
def train_step(images, labels):
    with tf.GradientTape() as tape:
        predictions = model(images)
        loss = loss_object(labels, predictions)
    gradients = tape.gradient(loss, model.trainable_variables)
    optimizer.apply_gradients(zip(gradients, model.trainable_variables))
    train_loss(loss)
    train_accuracy(labels, predictions)


@tf.function
def test_step(images, labels):
    predictions = model(images)
    t_loss = loss_object(labels, predictions)
    test_loss(t_loss)
    test_accuracy(labels, predictions)


# 加载并准备 MNIST 数据集
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0

# 添加通道维度
x_train = x_train[..., tf.newaxis]
x_test = x_test[..., tf.newaxis]

# 使用 tf.data 来将数据集切分为 batch 以及混淆数据集
train_ds = tf.data.Dataset.from_tensor_slices((x_train, y_train)).shuffle(10000).batch(32)
test_ds = tf.data.Dataset.from_tensor_slices((x_test, y_test)).batch(32)

# 构建模型
model = MyModel()
optimizer = tf.keras.optimizers.Adam()  # 优化器
loss_object = tf.keras.losses.SparseCategoricalCrossentropy()  # 损失函数

train_loss = tf.keras.metrics.Mean(name='train_loss')
train_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='train_accuracy')

test_loss = tf.keras.metrics.Mean(name='test_loss')
test_accuracy = tf.keras.metrics.SparseCategoricalAccuracy(name='test_accuracy')

# 训练
EPOCHS = 5  # 迭代轮次
for epoch in range(EPOCHS):
    # 在下一个epoch开始时,重置评估指标
    train_loss.reset_states()
    train_accuracy.reset_states()
    test_loss.reset_states()
    test_accuracy.reset_states()

    for images, labels in train_ds:
        train_step(images, labels)

    for test_images, test_labels in test_ds:
        test_step(test_images, test_labels)

    template = 'Epoch {}, Loss: {}, Accuracy: {}, Test Loss: {}, Test Accuracy: {}'
    print(template.format(epoch + 1,
                          train_loss.result(),
                          train_accuracy.result() * 100,
                          test_loss.result(),
                          test_accuracy.result() * 100))

输出

Executing op VarHandleOp in device /job:localhost/replica:0/task:0/device:GPU:0
Executing op __inference_train_step_46101 in device /job:localhost/replica:0/task:0/device:GPU:0
Executing op OptimizeDataset in device /job:localhost/replica:0/task:0/device:CPU:0
Executing op ModelDataset in device /job:localhost/replica:0/task:0/device:CPU:0
Executing op __inference_test_step_49926 in device /job:localhost/replica:0/task:0/device:GPU:0
Executing op __inference_test_step_50619 in device /job:localhost/replica:0/task:0/device:GPU:0
Epoch 1, Loss: 0.13640181720256805, Accuracy: 95.9316635131836, Test Loss: 0.06547310203313828, Test Accuracy: 97.8699951171875

可以看到跑这段代码,使用了GPU加速,大工告成,CPU跑这段代码是需要一两分钟的,GPU加速后两三秒就跑完了。