基于深度学习的建筑能耗预测02——安装Tensorflow-gpu

一、检查显卡

·查看自己的显卡配置是否能支持cuda，以及Tensorflow不同版本要求与CUDA及CUDNN版本对应关系:

https://developer.nvidia.com/zh-cn/cuda-gpus

·nvidia与cuda需要满足关系：

https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

二、下载安装GeForce Experience

官网下载：

https://www.nvidia.com/zh-cn/geforce/geforce-experience/，

experience检测显卡驱动，发现最新版本472.12，点击安装，一定要注意，选择自定义安装，然后有个纯净安装的勾选框。接下来会让重启电脑，重启过后experience还会继续弹出来自动安装一些东西，等它安装结束即可。

三、下载 CUDA 8.0 + cudnn 5.1

· cuda历史版本下载连接：

版本是：CUDA Toolkit 8.0 GA2 (Feb 2017)

https://developer.nvidia.com/cuda-toolkit-archive

· cuda与cudnn需要满足关系：

版本是：cuDNN v5.1 Library for Windows 10

https://developer.nvidia.com/rdp/cudnn-archive

· 显卡计算能力：

https://developer.nvidia.com/cuda-gpus

对应版本：

由上表可知，cuda8+cudnn5.1最高可以装到tensorflow1.2.0)

四、安装

1. CUDA 8.0

直接点击安装

在cmd命令行中输入nvcc -V查看是否安装成功。

2. 安装cudnn 5.1

cudnn下载完成后直接解压，然后到你cuda的安装路径下，

我的cuda路径为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA

· 将解压出来的:

bin中文件放到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin中

include文件放到cuda的C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\include中

lib文件放到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64

3. 安装 Tensorflow_gpu 1.0.0

· 首先打开Anaconda Prompt，进入Anaconda命令行管理界面。

· 配置清华镜像，输入指令：

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

· 然后输入

conda config --set show_channel_urls yes

· 创建运行环境，输入指令：

conda create -n tensorflow-gpu python=3.6

· 新建一个名字叫“tensorflow-gpu”，python版本为3.6的运行环境，此环境与Anaconda中其它环境隔离。红框中的软件包也会随之安装，· · 输入“y“和回车后开始安装。

· 然后会出现一些软件安装包的提示（问你是否确认安装）：输入 y 按回车

· 激活并进入环境，使后续指令在激活的环境中生效，输入指令：

activate tensorflow-gpu

· 升级pip到最新版，防止稍后的安装时，出现错误（很有可能因为没有更新pip到最新版，导致下载到一半出现错误），输入指令：

python -m pip install --upgrade pip

· 安装tensorflow 1.2.0及相应依赖包，输入指令：

pip install --ignore-installed --upgrade tensorflow-gpu

至此，tensorflow的安装完成。

笔者安装过程截图：

· 最后，验证一下是否安装成功：

在命令行中，进入python，并输入以下代码：

import tensorflow as tf

hello = tf.constant(‘Hello, TensorFlow!’)

sess = tf.Session()

print(sess.run(hello))

输出：

b’ Hello, TensorFlow!