搭建属于自己的GPU深度学习环境

• 一、GPU深度学习环境的搭建
• • 1.1安装CUDA和cuDNN
  • 1.2安装tensorflow-gpu深度学习库
  • • 1.2.1创建一个新的环境
    • 1.2.2 tensorflow-gpu的安装
    • 1.2.3keras的安装
  • 1.3 安装pytorch深度学习库
  • • 1.3.1 创建一个新的环境
    • 1.3.2 pytorch的安装

一、GPU深度学习环境的搭建

深度学习主要有两种库tensorflow和pytorch，下面会一一介绍。为使其互不打扰，我们新建两个环境并分别会将其安装在两个环境中（个人建议搭建深度学习之类的环境可以单独创个环境搭建，不要搭建在base环境或其他已有的环境中，这样的话，如果环境搭建失败了，直接将这个环境删掉就好了，不会影响到其他的环境）

1.1安装CUDA和cuDNN

下载CUDA和cuDNN
要使用GPU加速，首先就要去安装CUDA和cuDNN。
首先要看一下你的电脑的显卡对应的是哪个版本的CUDA，千万不要下错了，不然运行不了的。
查看方法很多，网上都很容易搜得到，这里介绍其中一种：
打开 NVIDIA控制面板 -> 帮助 -> 系统信息->组件，就可以查看自己的显卡对应哪个版本。我电脑的是GTX 1050，对应的是CUDA10.1

找好对应的版本后，就去下载，给出网址：https://developer.nvidia.com/cuda-toolkit-archive
进去后选择相应的版本和电脑信息。这里选择本地安装，也就是将安装包下下来，

先查看对应CUDA下需要下载cuDNN的版本（注意自己python版本的匹配）：https://tensorflow.google.cn/install/source_windows
然后下载对应版本的cuDNN（绕过Nvidia官方要求的注册或登陆步骤直接下载cuDNN的方法），给出网址：https://developer.nvidia.com/rdp/cudnn-archive#a-collapse51b

安装CUDA
启动exe文件（在安装CUDA时候最好选用以管理员身份运行），会让你选择一个目录地址，这个只是文件的解压目录，并不是安装的目录，在安装完成之后会被自动删除，这里根据自己的情况选一下就好了。然后就会自动检测系统兼容性什么的，完成之后，就可以正式的安装了。
在安装时，选择自定义安装的方法。然后勾选，只要不勾选里面的 Visual Studio Integration 就好了

然后安装位置可以选择默认在C盘（网上说建议安在C盘），也可以自定义是设置安装路径。(注意不要选到你刚刚的解压文件夹里了，不然安装完成后又会被删掉)。这里最好记住这里的三个路径，后面会用得到。

然后点击下一步，让它安装就好了（可能会时间比较长，要耐心等待）。
安装cuDNN
安装完成之后，就安装cuDNN，这个很简单，是插入式安装。把文件解压，然后把里面的三个文件夹里的文件（注意，是文件）复制到CUDA安装文件夹（就是上面的 CUDA Development 的那个安装路径下）的对应文件夹内。


到这里，就安装完了，可以测试一下是否安装成功。
进入到上面的安装文件夹下的 extra/demo_suit 文件夹下，然后在地址栏输入 cmd，打开命名提示行。运行 bandwidthTest.exe 和 deviceQuery.exe ，结果如下，得到两个 PASS，就基本是安装成功了。


至此，CUDA和cuDNN已经算是全部安装成功了。

1.2安装tensorflow-gpu深度学习库

这里又得要注意版本了。

首先，根据自己的 CUDA 和 cuDNN 找到自己的 tensorflow-gpu 版本（注意：这里除了CUDA和cuDNN的版本，还要注意 python的版本，比如我CUDA是10.1，cuDNN是7.6，那么我的python版本最高只支持到3.8）tensorflow官网

那如果我们的base等环境下的python版本过高怎么办？
不要急，我们创建一个新的环境就可以了，并且对于深度学习等环境的搭建也最好新建一个环境来操作，这样可以避免各个环境之间的干扰！

1.2.1创建一个新的环境

创建新环境有两种方法：

1.使用 anaconda 命令行窗口
2.直接在anaconda软件里
这里先介绍第一种方法，第二种在pytorch的安装里介绍

现在就来创一个python3.8的环境。
打开anaconda的命令提示窗口Anaconda Prompt (anaconda)，输入：

conda create --name tf-gpu-py38 python=3.8

其表示： 创建一个名为tf-gpu-py38的环境，指定Python版本是3.8
如果中途断了，重新运行就好了，会接着下
其实环境名字建议起的简明易懂，比如这里的tf-gpu-py38, 表明是 tensorflow-gpu的环境，且python版本为3.8

运行，系统就会开始去解析并且创建环境。解析完成之后，会出来一个 package plan ，并询问是否继续，这就是我们创建这个新环境所需要下载的包，直接输入 y 回车，让它下载并创建环境，你只需要耐心等待即可。

下载完成后，就会自动创建环境，完成之后。我们也可以在 anacodna 的environments里看到这个环境。可以看到，这个环境很干净，只有一些python必要包，其余的都没有。

接下来，我们按照他给出的命令提示激活环境，进入这个环境

# 激活环境：
conda activate tf-gpu-py38
# 离开环境
conda deactivate

激活环境后，在命令行前面会有一个当前所处环境的表明，如图，激活前是base环境，激活后进入到了tf-gpu-py38环境

现在这里，就是一个全新的环境了

可以确定一下当前的python版本。
注意：这里的 V 大写

更多的关于anaconda环境管理的，可以参考这个：https://www.jianshu.com/p/2a628a462e87

notebook的安装
创建好环境后，打开anaconda软件，进入环境，因为这是一个新环境，所以notebook之类的也都没安装，所以我们进行手动安装，直接点击 install 即可

安装完后，install 就变成 launch 了。打开notebook，就可以直接使用了。

为Anaconda添加国内镜像源
如果我们要在anaconda里下载包等东西，因为他默认的下载路径在国外，所以速度特别慢，还容易断，为了解决这个问题，我们可以为他添加国内的镜像源地址。
打开 Anaconda Prompt ，输入如下命令添加镜像源，这里添加的是中科大的镜像源：

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/

运行后，就会为anaconda添加镜像源路径。这时，我们打开anaconda，可以看到 channels 里已经有我们添加的这条路径了（建议不要在anaconda软件里手动添加，会有问题）

再列出一些其他的镜像源地址：
中科大：https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
清华：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free

1.2.2 tensorflow-gpu的安装

对tensorflow-gpu，在Anaconda Prompt (anaconda3)里使用 pip 安装并且指定安装版本（不指定的话，会默认安装最新版的，这就可能跟你的CUDA等不对应了）。
这里是用的是清华大学的镜像源：https://pypi.tuna.tsinghua.edu.cn/simple。我这里按照对应关系，安装的tensorflow_gpu-2.3.0-cp38-cp38-win_amd64.whl。

pip install --user --upgrade tensorflow-gpu==2.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

conda install --user --upgrade tensorflow-gpu==2.3 -i https://pypi.tuna.tsinghua.edu.cn/simple

因为pip使用的默认路径也是国外的，所以也要用镜像源 其他镜像源：
清华：https://pypi.tuna.tsinghua.edu.cn/simple
豆瓣：http://pypi.douban.com/simple/
阿里云：https://mirrors.aliyun.com/pypi/simple/

安装tensorflow-gpu时，还会自动下载一些相应依赖，所以要稍微等待一下下。安装完成之后，可以用 pip list 看一下是否有这个模块。
到这里，基本就可以使用GPU了，给几个例子试试：
（1）看看 tensorflow 检测到的 能使用的设备情况

# 检测 tensorflow 能使用的设备情况
from tensorflow.python.client import device_lib

#os.environ["CUDA_VISIBLE_DEVICES"] = "1"  # 这个可以指定使用哪个设备
print(device_lib.list_local_devices())

如果不能使用GPU，就不会输出GPU的型号和算力。
（2）输出是否能使用GPU

import tensorflow as tf

print(tf.test.is_gpu_available())
print(tf.test.gpu_device_name()) #输出gpu的名称

返回了True，也就是可以使用GPU，并且设备名字也跟上面得到的结果相同。
（3）使用tensorflow-gpu
说了这么多，能够直接使用tensorflow-gpu让GPU进行计算才是王道。

import tensorflow as tf
import os
import numpy as np

# 加载数据集
# from keras.datasets import mnist
# (train_images, train_labels), (test_images, test_labels) = mnist.load_data()
# 这里加载数据集要去访问一个网址进行下载，由于众所周知的原因，这个网址是访问不了的
# 所以这里使用下载下来的本地数据集。
# 链接：https://pan.baidu.com/s/1rzqWrlsO7Zg2gtmCxYQZjA
# 提取码：ff9z
path='F:\DL\mnist.npz'
f = np.load(path)
x_train, y_train = f['x_train'], f['y_train']
x_test, y_test = f['x_test'], f['y_test']
f.close()

x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',
              loss='sparse_categorical_crossentropy',
              metrics=['accuracy'])

model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test,  y_test, verbose=2)

结果:
Epoch 1/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.3028 - accuracy: 0.9122
Epoch 2/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.1414 - accuracy: 0.9579
Epoch 3/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.1067 - accuracy: 0.9676: 0s - loss:
Epoch 4/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0849 - accuracy: 0.9737
Epoch 5/5
1875/1875 [==============================] - 4s 2ms/step - loss: 0.0733 - accuracy: 0.9780
313/313 - 1s - loss: 0.0762 - accuracy: 0.9761
[0.07618406414985657, 0.9761000275611877]

可以看到，训练数据时，GPU1（也就是我的NVIDIA显卡）被使用了。这里数据的训练不是很复杂，所以利用率也不是很明显。
到这里，你就已经取得阶段性胜利了！！！

1.2.3keras的安装

这里我是要找tensorflow-gpu 2.3版本对应的keras的版本，但是一直没有找到，所以干脆就直接使用命令来进行安装了，幸运的是安装后测试成功了。
安装命令：

conda install keras

安装后使用import keras，并没有报错，然后使用带有keras的代码进行测试，也没有报错，并且运行成功，所以大功告成！安装成功！！！
安装后可以从Anaconda\pkgs这个路径下找到keras，查看版本。我的是keras2.4.3

注意：

• 最好去查找自己需要的那个版本的keras，不指定的话，会默认安装最新版的，这就可能跟你的tensorflow-gpu不对应了，一般会显示你的tensorflow版本过低，需要安装高版本！
• 安装完成后，试试import keras ，如果程序没有报错，那就安装成功了。

1.3 安装pytorch深度学习库

pytorch的安装没有tensorflow那么繁琐。同样，我们新创建一个环境来安装，这里使用第二种方法。

1.3.1 创建一个新的环境

首先打开anaconda软件，进入到environment，点击create来创建新环境，在弹出的窗口中输入名字并选择python版本

最后点击create并耐心等待，创建成功后就会又有一个新环境，对这个环境，同样进行notebook的安装。

1.3.2 pytorch的安装

方式一：
这里再介绍一种离线安装包的方法，个人建议pytorch可以用离线的方法安装，因为包太大了，在线容易下到一半掉线！先去https://download.pytorch.org/whl/torch_stable.html下载对应版本的pytorch安装包，对应方式见下图，或者也可以直接去官网寻找
这里torchversion版本应该是0.8.2，图片中的版本和我需要的不一样，但是各个框所代表的意义是一样的。

下载完成后，打开Anaconda Prompt (anaconda3)， 进入到安装 pytorch的环境，输入命令：

pip install D:\\software\\DL\\Pytorch\\torchvision-0.8.2-cp38-cp38-win_amd64.whl

之后等待安装完成就行了。之后可以进行测试（具体测试可以看方式二中的测试过程）。
方式二(我采用的方式)：
去pytorch官网根据自己的CUDA版本去找对应的安装版本以及语句。下面是我的：

然后就先激活pytorch环境pytorch-py38，然后执行语句conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=10.1 -c pytorch 等待安装成功即可。


等待安装完成后，可以测试一下。
测试一：

import torch
x = torch.rand(5, 3)
print(x)

代表安装成功。
测试二：
直接检测是否能用GPU

import torch
torch.cuda.is_available()

如果输出为True，则表示可以使用GPU。大功告成！！！