TensorFlow GPU版本的安装与调试

笔者采用python3.6.7+TensorFlow1.12.0+CUDA10.0+CUDNN7.3.1构建环境

PC端配置为GTX 1050+Intel i7 7700HQ 4核心8线程@2.8GHZ

TensorFlow-gpu的安装经历实在是坎坷的很

首先显卡一定要支持

没想到的是GTX 1050TI，GTX 1070TI等主流显卡竟然都不支持

（还好我买的是GTX 1050）

（并没有暗示需要一块TESLA）

点这里查看CUDA支持列表

其次需要对好版本号，不同的TensorFlow版本对应的CUDA驱动程序版本号也有所不同

然而这还不够，还需要安装CUDNN才能完美运行，CUDNN的版本号和CUDA的版本号也要对好

CUDA离线版下载网址

CUDNN下载网址

但是下载CUDNN需要注册NVIDIA账号，那就点击join注册喽

注册的时候刚开始我使用了QQ邮箱，按道理这没毛病

但是到了验证邮箱一步又嗝屁了

你的验证邮件呢，验证邮件呢，邮件呢？？？？？

经过百度多方查阅，原来不能用QQ邮箱

坑爹的是过了三个小时它又发过来了，没错，就是QQ邮箱，它发过来了。。。

不过我的163邮箱都注册好了。。。。。

所以就使用163邮箱注册了一个账号

终于顺利下载

下载完了也很懵逼

压缩包里面是长这样的：

使用这样的东西已经完全超出了我的能力范围了呀，怎么办

于是乎又百度，原来是放在CUDA的安装目录下呀。。。。

好的安装好了，听度娘说可以用安装目录\extras\demo_suite下的bandwidthTest.exe和deviceQuery.exe来检测

检测出来好像没什么问题

（图片中用了pause暂停来查看的）

然后环境搭载完成，到了万众瞩目的安装环节

pip install tensorflow-gpu

当然是需要卸载之前的版本的tensorflow 的

20KB/s的高速下了不知道多久

反正最后是装好了

大概是这样的

看起来还不错有没有

但是运行一下吧

。。。。。。。

下面的错误我都不忍心看，红了一片。。。。。

（画面太过血腥，已被屏蔽）

然后继续求助万能的度娘

最后找到了这个帖子

Win10 +VS2017+ python3.66 + CUDA10 + cuDNNv7.3.1 + tensorflow-gpu 1.12.0

你早说不支持CUDA10.0嘛，害的我费那么大力

于是就看了下这个贴子里面所附带的大佬创作的安装包

tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl

CUDA10.0+CUDNN7.3.1

然后又跑去重新安装CUDNN7.3.1

再cd到安装包目录下

pip install tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl

效果拔群，最终安装完成

如图

（当时看到可把我激动惨了）

---

至此安装完成

---

既然安装了就来测试一下喽，不测试的话显得自己很捞

求助度娘找到了大佬写的五层卷积神经网络的代码

Tensorflow对比AlexNet的CPU和GPU运算效率

为了简便起见，就直接放经过我魔改的大佬的代码

 from datetime import datetime
 import math
 import time
 import tensorflow as tf
 import os
 #os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
 #os.environ["CUDA_VISIBLE_DEVICES"] = "-1"
 batch_size = 32
 num_batches = 100
 # 该函数用来显示网络每一层的结构，展示tensor的尺寸

 def print_activations(t):
     print(t.op.name, ' ', t.get_shape().as_list())

 # with tf.name_scope('conv1') as scope  # 可以将scope之内的variable自动命名为conv1/xxx，便于区分不同组件

 def inference(images):
     parameters = []
     # 第一个卷积层
     with tf.name_scope('conv1') as scope:
         # 卷积核、截断正态分布
         kernel = tf.Variable(tf.truncated_normal([11, 11, 3, 64],
                                                  dtype=tf.float32, stddev=1e-1), name='weights')
         conv = tf.nn.conv2d(images, kernel, [1, 4, 4, 1], padding='SAME')
         # 可训练
         biases = tf.Variable(tf.constant(0.0, shape=[64], dtype=tf.float32), trainable=True, name='biases')
         bias = tf.nn.bias_add(conv, biases)
         conv1 = tf.nn.relu(bias, name=scope)
         print_activations(conv1)
         parameters += [kernel, biases]
         # 再加LRN和最大池化层，除了AlexNet，基本放弃了LRN，说是效果不明显，还会减速？
         lrn1 = tf.nn.lrn(conv1, 4, bias=1.0, alpha=0.001 / 9, beta=0.75, name='lrn1')
         pool1 = tf.nn.max_pool(lrn1, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='VALID', name='pool1')
         print_activations(pool1)
     # 第二个卷积层，只有部分参数不同
     with tf.name_scope('conv2') as scope:
         kernel = tf.Variable(tf.truncated_normal([5, 5, 64, 192], dtype=tf.float32, stddev=1e-1), name='weights')
         conv = tf.nn.conv2d(pool1, kernel, [1, 1, 1, 1], padding='SAME')
         biases = tf.Variable(tf.constant(0.0, shape=[192], dtype=tf.float32), trainable=True, name='biases')
         bias = tf.nn.bias_add(conv, biases)
         conv2 = tf.nn.relu(bias, name=scope)
         parameters += [kernel, biases]
         print_activations(conv2)
         # 稍微处理一下
         lrn2 = tf.nn.lrn(conv2, 4, bias=1.0, alpha=0.001 / 9, beta=0.75, name='lrn2')
         pool2 = tf.nn.max_pool(lrn2, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='VALID', name='pool2')
         print_activations(pool2)
     # 第三个
     with tf.name_scope('conv3') as scope:
         kernel = tf.Variable(tf.truncated_normal([3, 3, 192, 384], dtype=tf.float32, stddev=1e-1), name='weights')
         conv = tf.nn.conv2d(pool2, kernel, [1, 1, 1, 1], padding='SAME')
         biases = tf.Variable(tf.constant(0.0, shape=[384], dtype=tf.float32), trainable=True, name='biases')
         bias = tf.nn.bias_add(conv, biases)
         conv3 = tf.nn.relu(bias, name=scope)
         parameters += [kernel, biases]
         print_activations(conv3)
     # 第四层
     with tf.name_scope('conv4') as scope:
         kernel = tf.Variable(tf.truncated_normal([3, 3, 384, 256], dtype=tf.float32, stddev=1e-1), name='weights')
         conv = tf.nn.conv2d(conv3, kernel, [1, 1, 1, 1], padding='SAME')
         biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32), trainable=True, name='biases')
         bias = tf.nn.bias_add(conv, biases)
         conv4 = tf.nn.relu(bias, name=scope)
         parameters += [kernel, biases]
         print_activations(conv4)
     # 第五个
     with tf.name_scope('conv5') as scope:
         kernel = tf.Variable(tf.truncated_normal([3, 3, 256, 256], dtype=tf.float32, stddev=1e-1), name='weights')
         conv = tf.nn.conv2d(conv4, kernel, [1, 1, 1, 1], padding='SAME')
         biases = tf.Variable(tf.constant(0.0, shape=[256], dtype=tf.float32), trainable=True, name='biases')
         bias = tf.nn.bias_add(conv, biases)
         conv5 = tf.nn.relu(bias, name=scope)
         parameters += [kernel, biases]
         print_activations(conv5)
         # 之后还有最大化池层
         pool5 = tf.nn.max_pool(conv5, ksize=[1, 3, 3, 1], strides=[1, 2, 2, 1], padding='VALID', name='pool5')
         print_activations(pool5)
         return pool5, parameters
 # 全连接层
 # 评估每轮计算时间，第一个输入是tf得Session，第二个是运算算子，第三个是测试名称
 # 头几轮有显存加载，cache命中等问题，可以考虑只计算第10次以后的
 def time_tensorflow_run(session, target, info_string):
     num_steps_burn_in = 10
     total_duration = 0.0
     total_duration_squared = 0.0
     # 进行num_batches+num_steps_burn_in次迭代
     # 用time.time()记录时间，热身过后，开始显示时间
     for i in range(num_batches + num_steps_burn_in):
         start_time = time.time()
         _ = session.run(target)
         duration = time.time() - start_time
         if i >= num_steps_burn_in:
             if not i % 10:
                 print('%s:step %d, duration = %.3f' % (datetime.now(), i - num_steps_burn_in, duration))
             total_duration += duration
             total_duration_squared += duration * duration
         # 计算每轮迭代品均耗时和标准差sd
         mn = total_duration / num_batches
         vr = total_duration_squared / num_batches - mn * mn
         sd = math.sqrt(vr)
         print('%s: %s across %d steps, %.3f +/- %.3f sec / batch' % (datetime.now(), info_string, num_batches, mn, sd))
 def run_benchmark():
     # 首先定义默认的Graph
     with tf.Graph().as_default():
         # 并不实用ImageNet训练，知识随机计算耗时
         image_size = 224
         images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1))
         pool5, parameters = inference(images)
         init = tf.global_variables_initializer()
         sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=False))
         sess.run(init)
         # 下面直接用pool5传入训练（没有全连接层）
         # 只是做做样子，并不是真的计算
         time_tensorflow_run(sess, pool5, "Forward")
         # 瞎弄的，伪装
         objective = tf.nn.l2_loss(pool5)
         grad = tf.gradients(objective, parameters)
         time_tensorflow_run(sess, grad, "Forward-backward")
 run_benchmark()

如果使用TensorFlow-GPU的话这个默认是用GPU运行的

GPU运行结果：

GPU使用率：

CPU使用率：

可以看出较为占用显存

将上面代码的6到7行注释解除即为CPU运行

CPU运行结果：

CPU利用率：

我2.8GHZ的CPU都跑到3.4GHZ了

这么对我的CPU真的好么

---

测试结果：

正向GPU运行时间效率是CPU运行效率的8.42倍

反向GPU运行时间效率是CPU运行效率的12.50倍

并且GPU运行模式下GPU占用率仅仅只有大约65%，CPU占用率仅仅只有45%左右

而CPU运行模式下CPU占用率长时间到达100%，且效率低下

看出GPU能够直接完爆CPU运行的

---

注意事项：

1.本次测试仅仅采用了卷积神经网络进行运行，不代表所有情况下GPU一定有优势；

2.鉴于CPU的瓶颈，可能CPU运行效率并不是非常理想，若采用更加高端的CPU运行效果可能会有大幅度提升；

3.仅代表作者个人观点，希望各位大佬能够评论或打赏哦。

2019-01-15　　02:41:24　　Author：Lance Yu