深度下载|使用 GPU 加速深度学习：在 Windows 上安装 CUDA + TensorFlo

***根据读者反馈，3.6可用******软件安装时效性，如安装失败请参考评论区反馈**** **不要问我为什么“xxx安装失败”，不知道******精力有限，本文不再更新***0.后台

使用 GPU 进行深度学习从未成为主流，我们通常更喜欢 Linux 作为深度学习操作系统。但是如果很多同学只是想了解深度学习，虽然没必要安装双系统或者改用Linux。在现实生活中，很多使用高中或公司笔记本电脑的学生并没有更改系统的操作权限。那么是否可以在系统上搭建深度学习框架，开发深度学习模型呢？

好消息是越来越多的深度学习框架开始支持它，这使得使用 GPU 加速学习过程成为可能。很多同学虽然没有很强大的主板，但也能以较低的成本了解在 GPU 上运行深度学习模型的过程。好在大部分系列的主板都可以使用CUDA，大部分独立显卡的电脑理论上都可以使用GPU进行“深度学习”。虽然加速效果并不显着，但是很多入门级的主板还是可以用的，至少可以帮助你了解和熟悉框架。

请不要让缺乏预算或系统不兼容成为您追求的绊脚石和借口。

本着探索的精神，我尝试在两台笔记本上安装CUDA（调用GPU）和（微软开发的深度学习工具库），记录下过程与大家分享。如果您在安装过程中遇到任何具体问题，也可以给我评论。

在开始之前，再次提醒大家，CUDA的安装坑很多，对各种软件版本和系统设置的要求都非常棘手，很容易“落入陷阱”。请严格控制我的操作过程，以防出错。多图长文预警！！！使用教程时，建议在笔记本端阅读，可放大图片。

另外，磨刀砍柴也没有错，不如读一本好书：

1.规划步骤

请按照说明下载以下软件进行备份。具体安装过程在第二部分介绍。

简单来说，我们需要 7/8/10, 2012/2016+3.5+2015+CUDA8.0+.0。

1.1.操作系统和硬件要求：

1.2.版本：3.5 的 64 位版本。请注意，.6 和 2.7 都不起作用。地址和版本如右图。如果使用错误的版本深度下载，将很难安装！

1.3.版本：

如果您已经安装或安装在笔记本电脑上，可以同时下载和安装，不存在冲突。

1.4.CUDA 版本：截至明天（2017 年 10 月 1 日）支持的 CUDA 版本仍为 CUDA8.0。一定要注意官网默认的版本是CUDA9.0，请不要下载安装这个版本。

正确的8.0版本下载地址：CUDA8.0-。建议上网条件较好的同学下载网络安装版，不要下载本地版。

1.5.CuDnn 版本：..0。这是唯一可以使用的版本，下载时请选择适合您操作系统的版本。

下载CuDnn之前请注意必须是英伟达社区的成员，/rdp/form/cudnn--，虽然是英文的，但是很简单。正确的下载版本如右图所示：

1.6.所有必需的文件：

2.安装步骤（推荐管理员账号）

请尝试按照本文安装顺序安装，否则可能无法运行！最重要的是安装后必须安装CUDA，两个顺序不能颠倒。

2.1.安装

建议直接使用原生安装包。建议安装时勾选并添加到系统路径。

安装完成后检测到的版本和PiP3版本，即系统路径中默认为3.54，Pip3版本小于8.01。

检查方法如上图所示。打开命令行，分别输入“-V”和“pip3-V”。正确的输出如上图所示。

2.2.安装 2015

安装并不难，只需要自定义一个选项，其他选项可以使用默认值。默认安装不包含C++编译器，必须自动勾选C++，否则后续会面临CUDA编译错误。

主要原因是安装时默认没有安装C++编译器，即CL.exe。下面我会提到如果你没有安装 C++ 系统如何报错。

2.3.安装 CUDA

安装CUDA前深度下载，不必确认安装成功！这时候需要安装CUDA，双击我们下载的安装文件，一切选择默认即可。

安装成功后会看到右图：

2.4.验证CUDA是否安装成功：

2.4.1.打开命令行，即在cmd后输入“nvcc-V”。如果安装正确，您应该会看到以下输出：

输出显示 CUDA 的版本为 8.0。

2.4.2.用VS和CUDA编译测试文件

转到“C:\CUDAv8.0”文件夹并双击打开“”文件。

选择编译构建中的所有文件。具体操作是右键选择Build，注意红框中的64位和：

这时候可能会遇到编译错误。如果你发现报错信息是很难找到CUDA.prop，那就是CUDA安装错误。建议检查CUDA版本并重新安装。

如果您看到这两个错误：

如果没有遇到编译错误，应该会看到右图提示5个文件编译成功：

成功后会发现“C:\CUDAv8.0binwin64”文件夹下出现了一堆文件，我们主要需要and。

2.4.3. 和验证

运行我们刚才编译的.exe，也就是在cmd中运行这个文件。右图左下方红框显示=pass，表示安装测试成功。右下角的红框是你的主板型号。请确认型号正确。只是我的机器型号，这个可能每个人都不一样。

运行我们刚刚编译好的.exe，同样的招数，还要注意是否=PASS。

2.5.安装 CuDnn

解压我们下载的CuDnn文件，得到3个文件夹：bin,,lib。将这三个文件夹复制到“C:\GPUv8.0”，如右图所示。

2.6.确认系统环境变量()

确认。5.4.和Pip3在系统环境变量中，检测方法已经介绍过了。

打开系统环境变量设置，以Win10为例，请参考百度体验介绍。

确认和 .0 已经存在

自动将“C:\GPUv8.0bin”添加到路径。

2.7.安装的GPU版本

打开cmd并输入“pip3-gpu”

由于我已经安装了它，它表明它已经安装了。这里需要注意三点：

3.第一个程序！

恭喜，我们离胜利又近了一步 :) 让我们验证我们安装的 GPU 是否正常工作！

打开cmd，输入以下命令打开shell。

第一次导出：

import tensorflow as tf

然后一次输入一行代码回车，你应该看到右边的图片你的GPU已经开始工作了~

a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print sess.run(c)

您可能遇到了错误，如右图所示。这是因为你的CuDnn设置错误，请参考这篇文章2.6修复。

4.写在最后

实践是检验真理的唯一标准，时间也是。在一个人人都在谈论深度学习的明天，不管你喜不喜欢，我希望你可以自己尝试并体验一下：）

在现实生活中，我们遇到了各种各样的障碍，比如系统版本限制，比如主板预算有限。这就是我编写本教程的目的，我不希望这种动机成为您研究的障碍。希望我的这篇文章对你的深度学习之旅有所贡献。

欢迎来到深度学习的世界 ʕ•ᴥ•ʔ

大小： 版本：

安卓版下载 苹果版下载