windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境

事情的由来
- 第一步，你得先有个windows7操作系统
- 第二步，去买个显卡
- 第三步，先搞定caffe
- 第四步， TensorFlow-GPU
- 第五步， Keras-GPU
- 第六步，去看看caffe是不是好的
- 第七步，列几本入门的书

事情的由来

深度学习，有种让人上瘾的感觉，你学的越多，发现自己欠缺的越多，这是一个跨学科的技术，需要一个系统学习的过程。但我个人认为深度学习的前景真的很好，虽然现在有点过热的现象，甚至有点吹过头的感觉。
之前看了几本书，学了一下理论知识，然后就打算搞个环境实践一下，这个作为本人深度学习的环境搭建笔记，简单做个记录。毕竟，搭建环境一般都是各种坑，浪费时间，我们应该把更多的时间花在学习理论知识和编程实践上面去。可是，工欲善其事，必先利其器，这一步又是绕不过去的。
之前都是用cpu来做练习，发现cpu基本没什么用，运算太慢了，后来实在受不了了，就去买了个便宜显卡，装上之后发现计算速度提升至少50倍，虽然大型网络还是训练不了，但对于书上的例子，是全部都没问题的，都是几分钟就可以算完出结果。

第一步，你得先有个windows7操作系统

这是我电脑的配置，很一般哈。

第二步，去买个显卡

我买的是很便宜的显卡，毕竟，只是为了学习一些简单的案例，这个2G内存的显卡对我来说够了，再便宜的显卡估计就不好用了，可能连软件都不支持了。我这个显卡都需要用一些旧版本的软件，最新的都不支持

显卡的驱动理论上要去官网下载，可是我硬是没找到在哪里下载，最后用驱动精灵，驱动了一下，也挺好的。

第三步，先搞定caffe

微软公司为windows专门提供了一个caffe的分支，最好安装这个，安装这个会非常方便
https://github.com/microsoft/caffe
可以先仔细看看页面下方的安装指导，我就是按照这个指导一步一步安装的

cuda的安装比较简单，下一步，下一步就好了，cudnn安装其实就是把cudnn解压出来，放到cuda的安装目录下就可以了，就像这样：

把从GitHub下载下来的源码包解压后，进入Windows目录，用visual studio 2013打开caffe.sln

按照GitHub上的说明，Copy .\windows\CommonSettings.props.example to .\windows\CommonSettings.props，我只修改了一个地方，就是那个CuDnnPath，在这个配置里面填了个$(CUDA_PATH)，如下图所示，然后就“生成解决方案”，（编译caffe所需要的各种依赖，vs2013都会帮你搞定）等了好久，出了n多警告，最终效果如下：

验证一下，caffe是不是可以用了
首先去caffe-master/data/mnist目录下执行脚本下载mnist的数据集，结果发现这个脚本是Linux系统的shell脚本，我是把这个脚本考到Linux虚拟机中，运行一下下载了四个文件，再把四个文件拷贝到Windows系统中的，其实，打开这个脚本看看，写的很简单，就是从一个网址下载文件，其实也可以把文件链接复制出来，自己下载也是可以的，下载完了，还要解压一下，最后的文件是这样的：

下载下来的原始数据集为二进制文件，需要转换为LEELDB或者LMDB才能被Caffe识别。有个脚本可以用来转换：caffe-master/examples/mnist/create_mnist.sh 可惜的是它也是个shell脚本，打开看看，也很简单，意思就是说，用一个程序去转换，而这个程序其实已经被我们编译出来了，就是convert_mnist_data.exe (linux系统下编译出来的后缀才是bin)

把caffe编译生成的可执行文件路径加入到系统的path环境变量中，这样，之后运行命令就可以不用带上完整的路径了

cd到原始数据所在目录caffe-master/data/mnist，运行一下命令：

convert_mnist_data.exe train-images-idx3-ubyte train-labels-idx1-ubyte mnist_train_lmdb --backend=lmdb
convert_mnist_data.exe t10k-images-idx3-ubyte t10k-labels-idx1-ubyte mnist_test_lmdb --backend=lmdb

得到两个文件夹，即转换好的数据

准备训练网络
查看caffe-master/examples/mnist/train_lenet.sh
感觉挺简单的

拷贝上一步生成的两个文件夹到caffe-master/examples/mnist/目录下
在cmd下执行命令训练网络，注意要cd到caffe-master那一级目录去执行caffe.exe命令，不然会出现找不到文件的问题，其中的lenet_solver.prototxt文件还使用了net: “examples/mnist/lenet_train_test.prototxt”，也是用的相对于caffe-master那一级目录

cd C:\Users\zhoushenghuang\Documents\Visual Studio 2013\Projects\caffe-master
caffe.exe train --solver=examples/mnist/lenet_solver.prototxt

用了一分钟左右，就训练完了，用gpu还是蛮快的，结果是如下，caffe应该是没有问题了

第四步， TensorFlow-GPU

强烈推荐使用Anaconda来安装TensorFlow和Keras，可以省很多事
首先，下载并按照Anaconda，没啥好说的
https://www.anaconda.com/download/
我下载安装的是Anaconda3-5.3.0-Windows-x86_64.exe
开始菜单->Anaconda3(64位)->Anaconda3 Prompt 启动命令提示符
输入命令显示现有的python环境

conda info --envs

创建新的环境

conda create --name gpu-test python=3.6

激活该环境，即进入该环境

activate gpu-test

搜索TensorFlow-GPU的安装包

conda search tensorflow-gpu

选择安装一个最低的版本，我试了其他的，好像都不行，对cuda的要求太高，我的显卡不支持那么高的cuda，从这个依赖项可以看出，还是需要cudatoolkit 8.0版本，和之前安装caffe时安装的cuda7.5不一样，还得再安装一个cuda8.0，还好，这两个是可以共存的

conda install tensorflow-gpu=1.1.0

验证一下TensorFlow-GPU是不是已经ok了
启动Pycharm,配置环境
使用 conda info --envs 可以看到环境的具体路径，把这个路径设置到pycharm里面去

运行一个示例程序看看结果

from tensorflow.examples.tutorials.mnist import input_data
mnist = input_data.read_data_sets('MNIST_data', one_hot=True)
import datetime
import tensorflow as tf
sess = tf.InteractiveSession()# Create softmax regration model
# Generate placeholder variables to represent the input tensors.
# x is images placeholder
# y_ is Labels placeholderx = tf.placeholder("float", shape=[None, 784])
y_ = tf.placeholder("float", shape=[None, 10])# Create and init weight and bias variable
def weight_variable(shape):initial = tf.truncated_normal(shape, stddev=0.1)return tf.Variable(initial)def bias_variable(shape):initial = tf.constant(0.1, shape=shape)return tf.Variable(initial)# conv and pool
def conv2d(x, W):return tf.nn.conv2d(x, W, strides=[1, 1, 1, 1], padding='SAME')def max_pool_2x2(x):return tf.nn.max_pool(x, ksize=[1, 2, 2, 1],strides=[1, 2, 2, 1], padding='SAME')# First layer CNN
W_conv1 = weight_variable([5, 5, 1, 32])
b_conv1 = bias_variable([32])
x_image = tf.reshape(x, [-1,28,28,1])# Convolve x_image with the weight tensor, add the bias,
# apply the ReLU function, and finally max pool.
h_conv1 = tf.nn.relu(conv2d(x_image, W_conv1) + b_conv1)
h_pool1 = max_pool_2x2(h_conv1)# Second layer CNN
W_conv2 = weight_variable([5, 5, 32, 64])
b_conv2 = bias_variable([64])h_conv2 = tf.nn.relu(conv2d(h_pool1, W_conv2) + b_conv2)
h_pool2 = max_pool_2x2(h_conv2)# Intensive link layer
W_fc1 = weight_variable([7 * 7 * 64, 1024])
b_fc1 = bias_variable([1024])h_pool2_flat = tf.reshape(h_pool2, [-1, 7*7*64])
h_fc1 = tf.nn.relu(tf.matmul(h_pool2_flat, W_fc1) + b_fc1)keep_prob = tf.placeholder("float")
h_fc1_drop = tf.nn.dropout(h_fc1, keep_prob)# Output, softmax layer (in the last example, the graph only have this layer)
W_fc2 = weight_variable([1024, 10])
b_fc2 = bias_variable([10])y_conv=tf.nn.softmax(tf.matmul(h_fc1_drop, W_fc2) + b_fc2)starttime =  datetime.datetime.now()
print('Start:\t\t'+starttime.strftime("%Y-%m-%d %X"))# Trainning and evaluate
cross_entropy = -tf.reduce_sum(y_*tf.log(y_conv))
train_step = tf.train.AdamOptimizer(1e-4).minimize(cross_entropy)
correct_prediction = tf.equal(tf.argmax(y_conv,1), tf.argmax(y_,1))
accuracy = tf.reduce_mean(tf.cast(correct_prediction, "float"))
sess.run(tf.global_variables_initializer ())
for i in range(20000):batch = mnist.train.next_batch(50)if i%100 == 0:train_accuracy = accuracy.eval(feed_dict={x:batch[0], y_: batch[1], keep_prob: 1.0})print ("step %d, training accuracy %g"%(i, train_accuracy))train_step.run(feed_dict={x: batch[0], y_: batch[1], keep_prob: 0.5})endtime =  datetime.datetime.now()
print('End:\t\t'+endtime.strftime("%Y-%m-%d %X"))
duringtime = endtime-starttime
print ('Spend Time:\t'+str(duringtime))

结果如下，TensorFlow已经启用GPU进行计算了：

第五步， Keras-GPU

搜索Keras-GPU的安装包

conda search keras-gpu

选择安装一个较低的版本，这个版本的选择和之前安装的TensorFlow的版本有关系，不能太高，因为keras会调用TensorFlow，我试了几下，发现这个2.1.2可以和之前的TensorFlow兼容。

conda install keras-gpu=2.1.2

如果安装的版本不合适，可以删掉，再换个版本安装

conda uninstall keras-gpu

测试一下keras-gpu是不是搞定了

from keras import layers
from keras import modelsmodel = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1)))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPool2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10, activation='softmax'))
model.summary()from keras.datasets import mnist
from keras.utils import to_categorical
(train_images,train_labels),(test_images,test_labels) = mnist.load_data()
train_images = train_images.reshape((60000,28,28,1))
train_images = train_images.astype('float32')/255
test_images = test_images.reshape((10000,28,28,1))
test_images = test_images.astype('float32')/255
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)
model.compile(optimizer='rmsprop',loss='categorical_crossentropy',metrics=['accuracy'])
model.fit(train_images,train_labels,epochs=5,batch_size=64)test_loss,test_acc = model.evaluate(test_images,test_labels)
print(test_acc)

结果如下，keras应该也已经用上GPU了哈：

第六步，去看看caffe是不是好的

回到visual studio 2013，重新生成一下解决方案，发现找不到cudnn.h的头文件编译失败了.
管他三七二十一，把cudnn的文件从cuda7.5的文件夹拷贝到cuda8.0的文件夹，就解决了，估计还是那个CommonSettings.props文件里面的cudnn的路径没有设置好，算了，就这样吧，能用就行了

第七步，列几本入门的书

最后列几本入门的书，我觉得还不错的，我都看完了的：
1.Neural Networks and Deep Learning
2.Machine learning with tensorflow
3.deep learning with python
4.深度学习 21天实战caffe

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境相关推荐

750ti显卡能支持服务器吗,NVIDIA Geforce GTX 750 Ti能玩吃鸡吗
好多朋友们的电脑配置较低,显卡也是当年主流级GTX 750Ti,如今已经是GT10系列争霸时代,所以很多游戏逐渐抛弃了老显卡,性能不达到要求是不能流畅运行的.NVIDIA Geforce GTX 75 ...
windows10：GTX GeForce 1070+更新nvidia显卡驱动+CUDA+CUDNN+tensorflow_gpu深度学习GPU环境搭建（史上排雷最多版本）
windows10 GTX GeForce 1070+CUDA9.0+CUDNN7.6.4+TensorFlow_GPU1.5 5天星期前开始搭建tensorflow GPU环境,途中屡屡踩雷, 现在 ...
Intel graphics HD 4600 核芯显卡对比 nVIDIA Geforce GTX 750 2GB GDDR5 独立显卡
Intel graphics HD 4600 核芯显卡对比 nVIDIA Geforce GTX 750 2GB GDDR5 独立显卡参数比较,3D Mark 性能测试下面列出的这些比较项目与参 ...
深度学习 GPU环境 Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.
本节详细说明一下深度学习环境配置,Ubuntu 16.04 + Nvidia GTX 1080 + Python 3.6 + CUDA 9.0 + cuDNN 7.1 + TensorFlow 1.6 ...
深度学习GPU环境安装教程：Ubuntu16.04+1080(Ti)显卡驱动+CUDA+cuDNN（已n次完美安装）
安装显卡驱动当前只装了ubuntu16.04单系统,亲测可用,之前ubuntu16.04+win10双系统下也是这种方法装的,只是需要切换视频线的接口,可参考这篇 1.装好ubuntu16.04 2 ...
暗影精灵双系统（win10和Ubuntu16.04）安装+Cuda和tensorflow安装-深度学习环境配置
参考教程一:https://blog.csdn.net/qq_42121640/article/details/80635071 参考教程二:https://blog.csdn.net/zr45992 ...
linux gtx驱动程序,Nvidia 418.43 发布，支持GeForce GTX 1660 Ti的Linux图形驱动程序
英伟达(Nvidia)为GNU/Linux.FreeBSD和Solaris系统发布了新的长期使用的图形驱动程序,支持新的GPU,以及各种其他改进和错误修复. Nvidia 418.43显卡驱动程序现在 ...
如何修改驱动使得NVIDIA Geforce GTX 970, 980, 980 TI and Titan X等显卡可以在Win XP/Win 2003 server x64下驱动？...
感谢Matt,一个老外,非常好的修改方法. 本人亲测成功. I recently built a new computer to better accommodate the forthcoming ...
android 6.0虚拟内存,Maxwell的统一虚拟内存只用在专业卡上，GTX 750 Ti或无缘
拼命加载中 ... 在GeForce GTX 750 Ti/750显卡上,我们已经见识到了Maxwell架构在高效能上的威力,但Maxwell架构到现在还是个迷,NVIDIA还没有公布详细的架 ...

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境

事情的由来

第一步，你得先有个windows7操作系统

第二步，去买个显卡

第三步，先搞定caffe

第四步， TensorFlow-GPU

第五步， Keras-GPU

第六步，去看看caffe是不是好的

第七步，列几本入门的书

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境相关推荐

最新文章

热门文章

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境

事情的由来

第一步，你得先有个windows7操作系统

第二步，去买个显卡

第三步，先搞定caffe

第四步， TensorFlow-GPU

第五步， Keras-GPU

第六步， 去看看caffe是不是好的

第七步，列几本入门的书

windows7系统，NVIDIA GeForce GTX 750 Ti 2G显卡搭建caffe、TensorFlow、Keras深度学习GPU环境相关推荐

最新文章

热门文章

第六步，去看看caffe是不是好的