• GPU版本TensorFlow安装指南
    • GPU硬件的准备
    • NVIDIA驱动程序的安装
    • CUDA Toolkit和cnDNN的安装

    GPU版本TensorFlow安装指南

    GPU版本的TensorFlow可以利用NVIDIA GPU强大的计算加速能力，使TensorFlow的运行更为高效，尤其是可以成倍提升模型训练的速度。

    在安装GPU版本的TensorFlow前，你需要具有一块不太旧的NVIDIA显卡，以及正确安装NVIDIA显卡驱动程序、CUDA Toolkit和cnDNN。

    GPU硬件的准备

    TensorFlow对NVIDIA显卡的支持较为完备。对于NVIDIA显卡，要求其CUDA Compute Capability须不低于3.0，可以到 NVIDIA的官方网站 查询自己所用显卡的CUDA Compute Capability。目前，AMD的显卡也开始对TensorFlow提供支持，可访问 这篇博客文章 查看详情。

    NVIDIA驱动程序的安装

    Windows

    Windows环境中，如果系统具有NVIDIA显卡，则往往已经自动安装了NVIDIA显卡驱动程序。如未安装，直接访问 NVIDIA官方网站 下载并安装对应型号的最新公版驱动程序即可。

    Linux

    在服务器版Linux系统下，同样访问 NVIDIA官方网站 下载驱动程序（为 .run 文件），并使用 sudo bash DRIVER_FILE_NAME.run 命令安装驱动即可。在安装之前，可能需要使用 sudo apt-get install build-essential 安装合适的编译环境。

    在具有图形界面的桌面版Linux系统上，NVIDIA显卡驱动程序需要一些额外的配置，否则会出现无法登录等各种错误。如果需要在Linux下手动安装NVIDIA驱动，注意在安装前进行以下步骤（以Ubuntu为例）：

    • 禁用系统自带的开源显卡驱动Nouveau（在 /etc/modprobe.d/blacklist.conf 文件中添加一行 blacklist nouveau ，使用 sudo update-initramfs -u 更新内核，并重启）

    • 禁用主板的Secure Boot功能

    • 停用桌面环境（如 sudo service lightdm stop）

    • 删除原有NVIDIA驱动程序（如 sudo apt-get purge nvidia*）

    小技巧

    对于桌面版Ubuntu系统，有一个很简易的NVIDIA驱动安装方法：在系统设置（System Setting）里面选软件与更新（Software & Updates），然后点选Additional Drivers里面的“Using NVIDIA binary driver”选项并点选右下角的“Apply Changes”即可，系统即会自动安装NVIDIA驱动，但是通过这种安装方式安装的NVIDIA驱动往往版本较旧。

    NVIDIA驱动程序安装完成后，可在命令行下使用 nvidia-smi 命令检查是否安装成功，若成功则会打印出当前系统安装的NVIDIA驱动信息，形式如下：

    1. $ nvidia-smi
    2. Mon Jun 10 23:19:54 2019
    3. +-----------------------------------------------------------------------------+
    4. | NVIDIA-SMI 419.35       Driver Version: 419.35       CUDA Version: 10.1     |
    5. |-------------------------------+----------------------+----------------------+
    6. | GPU  Name            TCC/WDDM | Bus-Id        Disp.A | Volatile Uncorr. ECC |
    7. | Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
    8. |===============================+======================+======================|
    9. |   0  GeForce GTX 106... WDDM  | 00000000:01:00.0  On |                  N/A |
    10. | 27%   51C    P8    13W / 180W |   1516MiB /  6144MiB |      0%      Default |
    11. +-------------------------------+----------------------+----------------------+
    12.  
    13. +-----------------------------------------------------------------------------+
    14. | Processes:                                                       GPU Memory |
    15. |  GPU       PID   Type   Process name                             Usage      |
    16. |=============================================================================|
    17. |    0       572    C+G   Insufficient Permissions                   N/A      |
    18. +-----------------------------------------------------------------------------+

    提示

    命令 nvidia-smi 可以查看机器上现有的GPU及使用情况。（在Windows下，将 C:\Program Files\NVIDIA Corporation\NVSMI 加入Path环境变量中即可，或Windows 10下可使用任务管理器的“性能”标签查看显卡信息）

    更详细的GPU环境配置指导可以参考 这篇文章 和 这篇中文博客 。

    CUDA Toolkit和cnDNN的安装

    在Anaconda环境下，推荐使用

    1. conda install cudatoolkit=X.X
    2. conda install cudnn=X.X.X

    安装CUDA Toolkit和cnDNN，其中X.X和X.X.X分别为需要安装的CUDA Toolkit和cuDNN版本号，必须严格按照TensorFlow官方网站所说明的版本安装。在安装前，可使用 conda search cudatoolkit 和 conda search cudnn 搜索conda源中可用的版本号。

    当然，也可以按照 TensorFlow官方网站上的说明 手动下载CUDA Toolkit和cuDNN并安装，不过过程会稍繁琐。

    使用conda包管理器安装GPU版本的TensorFlow时，会自动安装对应版本的CUDA Toolkit和cuDNN。conda源的更新较慢，如果对版本不太介意，推荐直接使用 conda install tensorflow-gpu 进行安装。