基於RTX2060構建TensorFlow-gpu(keras)學習平臺

2021-01-08 物聯網全棧技術分析

一、conda命令

1. onda env list 或 conda info -e 查看當前存在哪些虛擬環境

2. conda create --name tf36gpu python=3.6 anaconda

3. conda remove -n your_env_name(虛擬環境名稱) --all 刪除虛擬環境

4. activate your_env_name

5. deactivate 關閉虛擬環境

6. conda remove -n your_env_name(虛擬環境名稱) --all 刪除虛擬環境

7. conda remove --name your_env_name package_name 刪除環境中的某個包

二、創建環境及安裝notebook插件

（安裝基本的anconda版本，用的3.5.2）

1. 建立虛擬環境：conda create --name tf36gpu python=3.6 anaconda

2. 激活虛擬環境：activate tf36gpu

3. 開始菜單運行anaconda navigator檢查是否安裝了notebook（默認有安裝）

三、安裝tensorflow/keras

在激活的環境中安裝：

1. 如果機器上有gpu，則安裝gpu版本，沒有GPU就安裝cpu版。版本問題，現在TensorFlow到了最新的2.0.0版本，但是很多函數不兼容1.**版本。因此利用1.14版本，最新是1.15後面幾沒有版本了。

2. 安裝tensorflow：pip install tensorflow-gpu==1.14

3. 安裝keras：pip install keras，默認安裝的是最新的版本，2.3.0

遇到以下 問題如：

ERROR: Cannot uninstall 'wrapt'. It is a distutils installed project and thus we cannot accurately determine which files belong to it which would lead to only a partial uninstall.

辦法1：輸入 pip install -U --ignore-installed wrapt enum34 simplejson netaddr

參考：https://www.cnblogs.com/xiaowei2092/p/11025155.html

四、安裝NVIDA驅動

1. https://developer.nvidia.com/cuda-80-ga2-download-archive，下載10.0版本。現在最新的版本是10.1，但是TensorFlow1.14不支持，2.0的版本支持10.1

2. https://developer.nvidia.com/rdp/form/cudnn-download-survey，下載10.0版本的組件

3. 下載的組件壓縮包解壓會生成cuda/include、cuda/lib、cuda/bin三個目錄

4. 分別將cuda/include、cuda/lib、cuda/bin三個目錄中的內容拷貝到cuda對應版本的安裝目錄（win10，下默認路徑為C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\V10.0）目錄下。

坑：版本問題。用的10.0版本，其他都不行。要把文件放大V10.0文件夾下。

坑：程序中要加入一個語句，避免提示

import os

os.environ['KERAS_BACKEND']='tensorflow'

注意：這個地方安裝很多版本，8.0,9.2,10.1。思路，顯卡2060可以安裝最新的顯卡驅動，跟深度學習的工具無關。主要問題是TensorFlow的版本和CUDA的版本匹配問題，找很久也沒有找到很明確的1.14對應的版本說明。最後找到一個文章。用1.14來匹配10.0版本通過，匹配10.1版本沒有通過，不知道哪裡的問題。

五、測試是否成功

1. import tensorflow as tf

2. import keras

3. import os

4. os.environ['KERAS_BACKEND']='tensorflow'

5. tf.__version__

6. keras.__version__

相關焦點

  • ...一鳴|models|杜偉|gpu|tensorflow|keras|tf.keras|generator
    也就是說，如果使用 pip install tensorflow，則版本默認為是 gpu 版本（原始的 tensorflow-gpu 版本依然存在）。當然，不管有沒有英偉達版本的 GPU，tensorflow 依然能夠運行。如果需要使用 CPU 版本，用戶的安裝命令應該為：pip install tensorflow-cpu。
  • 基於Tensorflow\keras銀行卡識別
    ：機器學習算法與Python精研 ，ID:AITop100】,經微信公眾號授權轉載，如需轉載原文作者聯繫來自：GitHub測試環境Ubuntu 18.04python 3.6.7numpy 1.16.4tensorflow-gpu
  • TensorFlow 2.0正式版官宣!深度集成Keras
    為了提高易用性，TensorFlow 2.0進行了許多修改，如取消了一些被認為是多餘的API，並緊密集成和依賴tf.keras作為中央高級API。TensorFlow與Keras深度學習庫的集成化最初始於2017年2月發布的TensorFlow1.0，本次更新讓二者的集成程度進一步提高。
  • 深度學習篇——Tensorflow-GPU配置
    tensoflow-gpu安裝對於python 3.5和3.6的童鞋們而言，安裝tensorflow其實並不難，因為我們可以通過pip直接安裝。不過，第一要求你安裝的python是64位的，如下圖所示，注意劃黃色線的部分。
  • Keras和TensorFlow究竟哪個會更好?
    在這其中，TensorFlow 作為最為著名的用於深度學習生產環境的框架，它有一個非常強大的生態體系支持，然而，相比其他框架，TensorFlow 也有其劣勢，如速度較慢、使用上手難。而基於 TensorFlow 基礎上構建的 Keras 提供了簡單易用的 API 接口，非常適合初學者使用。
  • tensorflow2.0學習筆記（一）
    tensorflow2.0學習筆記（一）>這是本人自學tensorflow的筆記，用於記錄。解答1.導入基礎庫import matplotlib.pyplot as pltimport tensorflow as tfimport numpy as np
  • 【強化學習實戰】基於gym和tensorflow的強化學習算法實現
    上一講已經深入剖析了 gym 環境的構建強化學習實戰《第一講 gym學習及二次開發 - 知乎專欄》。這一講，我們將利用gym和tensorflow來實現兩個最經典的強化學習算法qleanring 和基於策略梯度的方法。本節課參考了莫煩的部分代碼（見知乎問答《強化學習（reinforcement learning)有什麼好的開源項目、網站、文章推薦一下？》），在此對其表示感謝。
  • tensorflow2.0教程與操作示例
    支持，無需通過特定的 pip 包 tensorflow-gpu 安裝 GPU 版本。如果對 pip 包的大小敏感，可使用 tensorflow-cpu 包安裝僅支持 CPU 的 TensorFlow 版本。
  • 使用tensorflow和Keras的初級教程
    https://www.kaggle.com/mlg-ulb/creditcardfraudimport tensorflow as tfprint(tf.__version__)import pandas as pdimport numpy as npfrom sklearn.model_selection import train_test_splitimport tensorflow as tffrom sklearn import preprocessingfrom tensorflow.keras.models import Sequentialfrom
  • 步履不停:TensorFlow 2.4新功能一覽!
    使用 Keras 進行多工作器訓練        https://tensorflow.google.cn/tutorials/distribute/multi_worker_with_keras BackupAndRestore        https://tensorflow.google.cn/api_docs/python/tf/keras
  • 用Keras構建神經網絡的3種方法
    目標是創建一個高效的數學庫，以便在這種高效結構上構建的自定義機器學習算法能夠在短時間內以高精度進行訓練。然而，用低級api重複地從頭構建模型並不是很理想。因此，谷歌的工程師弗蘭•庫伊斯-克裡特開發了Keras，作為一個獨立的高層次的深度學習庫。
  • TensorFlow Cloud 助力模型訓練無縫「上雲」
    為簡化此工作，我們將對基於 ImageNet 權重訓練的 ResNet50 使用遷移學習。您可以在 TensorFlow Cloud 代碼庫的此處找到本文中的代碼。import datetimeimport osimport matplotlib.pyplot as pltimport numpy as npimport tensorflow as tfimport tensorflow_cloud as tfcimport tensorflow_datasets as tfdsfrom tensorflow import kerasfrom
  • Tensorflow.keras筆記-識別Sci-hub驗證碼
    Tensorflow.keras筆記卷積神經網絡識別Sci-hub驗證碼使用requests庫和selenium
  • TensorFlow 2.1指南:keras模式、渴望模式和圖形模式(附代碼)
    經過一些實驗後，我發現在TensorFlow 2.1中，有3種構建模型的方法：Keras模式（tf.keras）：基於圖形定義，並在以後運行圖形。渴望模式：基於定義執行的所有迭代定義圖的操作。Keras模式import numpy as npimport tensorflow as tffrom tensorflow import kerasfrom tensorflow.keras.layers import Input, Dense, Flatten, Conv2Dfrom tensorflow.keras
  • 深度解讀TensorFlow,了解它的最新發展!
    Tensorboard是tensorflow內置的一個可視化工具，它通過將tensorflow程序輸出的日誌文件的信息可視化，使得tensorflow程序的理解、調試和優化更加簡單高效。Tensorboard的可視化依賴於tensorflow程序運行輸出的日誌文件，因而tensorboard和tensorflow程序在不同的進程中運行。
  • TensorFlow2.1正式版上線:最後一次支持Python2,進一步支持TPU
    也就是說，如果使用 pip install tensorflow，則版本默認為是 gpu 版本（原始的 tensorflow-gpu 版本依然存在）。當然，不管有沒有英偉達版本的 GPU，tensorflow 依然能夠運行。如果需要使用 CPU 版本，用戶的安裝命令應該為：pip install tensorflow-cpu。
  • tensorflow GPU環境安裝踩坑日記
    前言：最近做一個tensorflow的開源項目，用CPU跑的話，要消耗太多的時間，於是有了這篇配置GPU環境的踩坑日誌分享一些注意的地方去官網查看經過測試的構建配置我使用的配置是Win10+tensorflow2.1+CUDA10.1+cudnn7.6）地址如下：https://tensorflow.
  • 通過Keras 構建基於 LSTM 模型的故事生成器
    LSTM 能夠通過更新單元狀態來學習參數間的長期依賴關係，目前在機器翻譯、語言識別等領域有著廣泛應用。LSTM 的使用背景當你讀這篇文章的時候，你可以根據你對前面所讀單詞的理解來理解上下文。 你不會從一開始或者從中間部分閱讀就能夠直接理解文本意義，而是隨著你閱讀的深入，你的大腦才最終形成上下文聯繫，能夠理解文本意義。
  • 初學AI神經網絡應該選擇Keras或是Pytorch框架?
    keras是google的一個大佬開發的一個高度封裝的模型框架，已開源到github上。起初的計算後臺為Theano（和tensorflow差不多的一個框架），後來經過一系列的劇情，現在默認的計算後臺就為tensorflow了。
  • 圖像分類任務中,Tensorflow 與 Keras 到底哪個更厲害?
    在此之前，先介紹Keras和Tensorflow這兩個術語，幫助你在10分鐘內構建強大的圖像分類器。   Tensorflow: Tensorflow是開發深度學習模型最常用的庫。它是有史以來最好的庫，在日常實驗中被許多極客選擇。