keras深度学习安装全过程（2021-08-03）

安装项目：CUDA\cuDNN\python\tensorflow-gpu\theano\keras

Part1:CUDA/cuDNN安装

查看NVIDA显卡所支持的最高CUDA版本，我的RTX2060支持11.4
登录CUDA官网，下载对应64位版本CUDA11.4
登录cuDNN官网，下载能够匹配64位版本CUDA11.4的64位版本cuDNN11.3
安装CUDA，只需要勾选CUDA即可（去掉内部Visual Studio Integration)，使用默认安装目录 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4
将cuDNN解压，直接整个拷贝到CUDA的默认安装目录，文件夹名字相同会取并集
环境变量中已经自动生成了两个位置，v11.4\bin, v11.4\libnvvp;
继续添加如下环境变量v11.4\extras\CUPTI\lib64，v11.4\include，v11.4\lib，v11.4\lib\x64，完成环境配置
一般来说高版本CUDA可以兼容低版本python

Part2: Python/tensorflow-gpu/keras/numpy/scipy安装

[版本对比]TensorFlow 2.2.0 + Keras 2.3.1 on Python 3.7.X
python不要选择版本太高的，因为它更新太快CUDA跟不上版本，python 3.7.8即可满足
安装tensorflow-gpu==2.5.0，大概400M，一定要加-gpu不然没法调用GPU；一般来说高版本tf可以兼容低版本python
安装keras==2.5.0，如果python直接import keras会显示需要 keras-nightly以及keras-preprocessing；一般来说高版本keras也可以兼容低版本python
安装numpy==1.19.5, 安装scipy==1.7.1

Part 3: 排错阶段

cmd/powershell中运行python，可以看到版本为ptyon 3.7.8
导入keras/tensorflow并检测版本、设备

import keras
print('keras:',keras.__version__) # 返回keras版本号
import tensorflow as tf
print(tf.test.is_built_with_cuda()) # 判断tensorflow是否是CUDA版本，返回【ture】则说明OK
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices()) # 判断目前可用设备，返回【CPU、GPU明细】则说明OK
print(tf.config.list_physical_devices('CPU')) # 列出CPU设备，返回【CPU】则说明OK
print(tf.config.list_physical_devices('GPU')) # 列出GPU设备 ，返回【GPU】则说明OK

输出如下

True
[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 13564108018085021779
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 4153868288
locality {bus_id: 1links {}
}
incarnation: 5667456520389401803
physical_device_desc: "device: 0, name: NVIDIA GeForce RTX 2060, pci bus id: 0000:01:00.0, compute capability: 7.5"
]
[PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

试运行deep-learning-with-python-notebooks-master/first edition/2.1-a-first-look-at-a-neural-network.ipynb，不会报错并且能够顺利预测[mnist数据集]即可
因为版本更新keras包，如下代码需要修改(把to_categorical.py改成了np_utils下的一个函数）

from keras.utils import to_categorical
train_labels = to_categorical(train_labels)
test_labels = to_categorical(test_labels)

修改成

from keras.utils import np_utils
train_labels = np_utils.to_categorical(train_labels)
test_labels = np_utils.to_categorical(test_labels)

Part 4: 总结

CUDA/cuDNN版本主要是用来适配显卡的，可以装好几个版本，调用时看不同版本在环境变量的排序
Python版本比较关键，一定要比较稳定的早一年左右的版本，因为迭代太快了
keras/tensorflow-gpu/numpy/scipy等的版本可以较高，反正都会向下兼容python
遇到错误不慌，反正缺什么安装什么，建议不要用Anaconda安装这些包，版本会乱窜
pip install package==X.X.X最方便

keras深度学习安装全过程（2021-08-03）相关推荐

在Ubuntu上安装Keras深度学习框架
目录 1)安装pip 2)安装Python科学套件 3)安装TensorFlow 4)安装keras 5)安装Jupyter Notebook 6)运行Keras 本文介绍如何在Ubuntu上安装Ke ...
【Yolov5】1.认真总结6000字Yolov5保姆级教程（旧版本2021.08.03作为备份）
旧版本2021.08.03 新版本https://blog.csdn.net/m0_53392188/article/details/119334634 以作备份目录一.前言二.学 ...
怎么装python的keras库_matlab调用keras深度学习模型（环境搭建）
matlab没有直接调用tensorflow模型的接口,但是有调用keras模型的接口,而keras又是tensorflow的高级封装版本,所以就研究一下这个--可以将model-based方法和le ...
Keras深度学习实战（2）——使用Keras构建神经网络
Keras深度学习实战(2)--使用Keras构建神经网络 0 前言 1. Keras 简介与安装 2. Keras 构建神经网络初体验 3. 训练香草神经网络 3.1 香草神经网络与 MNIST 数 ...
采用keras深度学习框架搭建卷积神经网络模型实现垃圾分类，基于树莓派上进行实时视频流的垃圾识别源代码
一.项目概述简介:该垃圾分类项目主要在于对各种垃圾进行所属归类,本次项目采用keras深度学习框架搭建卷积神经网络模型实现图像分类,最终移植在树莓派上进行实时视频流的垃圾识别. 前期:主要考虑PC端 ...
Windows+Anaconda+tensorflow+keras深度学习框架搭建--reproduced
转载于网络,已备查用. 现在把windows下的Anaconda+tensorflow+keras深度学习框架搭建过程记录如下 1.下载安装Anaconda记住支持版本一定是python3以上的版本 ...
【深度学习项目实战】Keras深度学习多变量时间序列预测的LSTM模型
无意中发现了一个巨牛的人工智能教程,忍不住分享一下给大家.教程不仅是零基础,通俗易懂,而且非常风趣幽默,像看小说一样!觉得太牛了,所以分享给大家.点这里可以跳转到教程.人工智能教程本篇文章将介绍基于 ...
Centos集成GTX-1080Ti显卡搭建深度学习环境全过程
Centos集成GTX-1080Ti显卡搭建深度学习环境全过程在一个由N多台普通的不能再普通的机器攒凑起来的机箱中,搭载了最强核心--NVIDIA GeForce GTX 1080 Ti.我们的深度 ...
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 ...

keras深度学习安装全过程（2021-08-03）

Part1:CUDA/cuDNN安装

Part2: Python/tensorflow-gpu/keras/numpy/scipy安装

Part 3: 排错阶段

Part 4: 总结

keras深度学习安装全过程（2021-08-03）相关推荐

最新文章

热门文章