tensorflowcuda算力
⑴ cuda 9.2.148 應該匹配Tensorflow-gpu哪一版本
網頁鏈接
不知道你什麼系統，但是這個網址可以查
⑵ 為什麼Google選擇CUDA而不是OpenCL作為TensorFlow的後端
GPGPU領域OpenCL很弱，而CUDA是針對一種顯卡量身定做的。雖然使用CUDA會把硬體綁死在NVIDIA上，但是問題不大。一方面性能上NVIDIA是更可靠的，而OpenCL缺乏廠商的投入。另一方面，即便OpenCL有了良好的支持，使用OpenCL也必須面對相當麻煩的適配問題。OpenCL並不像表面上那樣一個代碼所有硬體都可以跑，必須對不同的硬體進行針對性優化。
⑶ GTX1060顯卡 用tensorflow 和 CUDA數據並行計算 如何開啟最佳特性
實測使用聯想Y720，GTX1060，跑tensorflow。
環境是vs2017，配置有點麻煩，但是確定可以成功，安裝好gpu版的tf之後，需要安裝cuda和cudnn，其中涉及到版本，需要有一各cudnn的高低版本混裝的過程。測試時間2017年12月。
最近（2018年2月），聽說英偉達有更新，可能安裝會更容易，默認全性能運行cuda（好像是）。
⑷ 使用tensorflow為什麼要安裝cuda,cudnn
為我的電腦TensorFlow-CPU版本感覺運算速度不足,於是乎開始安裝TensorFlow-GPU版本。
⑸ 求助tensorflow下遇到cuda compute capability問題
首先需要看你的PC配置是否夠，TF的GPU模式只支持N卡，然後計算能力高於3.0，具體可以查：
安裝教程可以參考：Ubuntu16.04上gtx1080的cuda安裝
July 17 2016
目前tensorflow是一個非常流行的深度學習計算框架，常規硬體及系統的安裝方法官方的doc已經說的很清楚了，但是 因為系統是ubuntu16.04,顯卡是GTX1080,所以不可避免的要折騰起來。在上一篇已經在16.04上安裝好了驅動。接下來其實 重點安裝的是CUDA和cuDNN.
首先說為什麼要安裝CUDA和cuDNN，關於採用GPU計算比CPU有速度有多少提升的benchmark找找就有，這次重點是怎麼讓tensorflow充分用的 上GTX1080能力。具體的就是如何把支持GTX1080的CUDA和cuDNN裝起來，然後讓tensorflow認識我們新裝的CUDA和cuDNN。
首先總體說下安裝步驟：
1 首先要注冊NVIDIA developer的帳號，分別下載CUDA和cuDNN
2 確認准備gcc版本，安裝依賴庫sudo apt-get install freegl
3 安裝CUDA
4 解壓cuDNN
5 clone tensorflow源碼，configure配置
6 編譯安裝
7 最後一哆嗦,測試！
准備工作
在正式開始前，需要做幾個准備工作，主要是大概先看下文檔
cuda FAQ
tensorflow 的安裝文檔
cuda-gpu的支持列表/計算能力/FAQ
cudnn 5.1有多牛
cuda tookit下載頁面
CUDA_Installation_Guide_Linux.pdf
cudnn User Guide
文檔看過之後接下來就是實際動手的過程：
1 注冊NVIDIA developer的帳號，分別下載CUDA和cuDNN
1.1 下載CUDA 打開cuda toolkit下載頁面,GTX1080 要用的是CUDA 8。先點擊JOIN,注冊帳號。 完了後，再回到cuda toolkit下載頁面。選擇 linux, x86-64, ubuntu, 16.04, runfile(local)
1.2 下載cuDNN 進入cudnn的下載頁,一堆調查,日誌寫時下載的是[Download cuDNN v5 (May 27, 2016), for CUDA 8.0 RC],點開選linux,不出意外的話這個就是下載地址.
2 確認GCC版本，安裝依賴庫
確認本機gcc版本,16.04默認的是gcc 5,這里安裝需要的最高是gcc 4.9。接下來就安裝配置gcc 4.9.
2.1 安裝gcc 4.9，並修改系統默認為4.9
sudo apt-get install gcc-4.9 gcc-4.9 g++-4.9 g++-4.9
gcc --version
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/g++-4.9 10
sudo update-alternatives --install /usr/bin/cc cc /usr/bin/gcc 30
sudo update-alternatives --set cc /usr/bin/gcc
sudo update-alternatives --install /usr/bin/c++ c++ /usr/bin/g++ 30
sudo update-alternatives --set c++ /usr/bin/g++
gcc --version
2.2 一個小依賴
sudo apt-get install freegl
3 安裝CUDA
需要注意的是這個地方有個選擇安裝低版本驅動的地方，選n 大致的安裝流程如下：
3.1 安裝CUDA
chmod +x /cuda_8.0.27_linux.run
./cuda_8.0.27_linux.run
....
Do you accept the previously read EULA?
accept/decline/quit: accept
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?
(y)es/(n)o/(q)uit: n
Install the CUDA 8.0 Toolkit?
(y)es/(n)o/(q)uit: y
Enter Toolkit Location
[ default is /usr/local/cuda-8.0 ]:
Do you want to install a symbolic link at /usr/local/cuda?
(y)es/(n)o/(q)uit: y
Install the CUDA 8.0 Samples?
(y)es/(n)o/(q)uit: y
Enter CUDA Samples Location
[ default is /home/h ]: /home/h/Documents/cuda_samples
....3.2 寫入環境變數
vim ~/.bashrc
#添加下面變數
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
3.3 安裝好後簡單驗證
a. 進入剛配置時指定的cuda sample所在文件夾,NVIDIA_CUDA-8.0_Samples/
b. cd 0_Simple/asyncAPI;sudo make
c. NVIDIA_CUDA-8.0_Samples/0_Simple/asyncAPI$ ./asyncAPI [./asyncAPI] - Starting… GPU Device 0: 「GeForce GTX 1080」 with compute capability 6.1 CUDA device [GeForce GTX 1080] time spent executing by the GPU: 10.94 time spent by CPU in CUDA calls: 0.19 CPU executed 50591 iterations while waiting for GPU to finish
4 安裝cuDNN
h@h:~/Downloads$ tar xvzf cudnn-8.0-linux-x64-v5.0-ga.tgz
cuda/include/cudnn.h
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.5
cuda/lib64/libcudnn.so.5.0.5
cuda/lib64/libcudnn_static.a
h@h:~/Downloads$ sudo cp -R cuda/lib64 /usr/local/cuda/lib64
h@h:~/Downloads$ sudo mkdir -p /usr/local/cuda/include
h@h:~/Downloads/cuda$ sudo cp include/cudnn.h /usr/local/cuda/include/
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*5 clone, configure tensorflow
5.1 clone源碼
$ git clone
5.2 configure配置
整個配置流程應該跟下面的基本一樣的
h@h:~/Downloads/tensorflow$ cd ./tensorflow/
h@h:~/Downloads/tensorflow$ ./configure
Please specify the location of python. [Default is /usr/bin/python]:
***Do you wish to build TensorFlow with Google Cloud Platform support? [y/N] N***
No Google Cloud Platform support will be enabled for TensorFlow
***Do you wish to build TensorFlow with GPU support? [y/N] y***
GPU support will be enabled for TensorFlow
Please specify which gcc nvcc should use as the host compiler. [Default is /usr/bin/gcc]:
**Please specify the location where CUDA toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: /usr/local/cuda-8.0 **
**Please specify the Cudnn version you want to use. [Leave empty to use system default]: 5.0.5**
**Please specify the location where cuDNN 5.0.5 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda-8.0]: /usr/local/cuda**
Please specify a list of comma-separated Cuda compute capabilities you want to build with.
You can find the compute capability of your device at:
**Please note that each additional compute capability significantly increases your build time and binary size.
[Default is: "3.5,5.2"]: 6.1**
Setting up Cuda include
Setting up Cuda lib64
Setting up Cuda bin
Setting up Cuda nvvm
Setting up CUPTI include
Setting up CUPTI lib64
Configuration finished
6 編譯安裝
6.1 編譯工具Bazel安裝配置
先看一眼文檔然後就執行下面的流程:
#安裝java 1.8
sudo add-apt-repository ppa:webupd8team/java
sudo apt-get update
sudo apt-get install oracle-java8-installer
#安裝好後車參考下
java -version
#添加源
echo "deb [arch=amd64] stable jdk1.8" | sudo tee /etc/apt/sources.list.d/bazel.list
curl | sudo apt-key add -
#下載
sudo apt-get update && sudo apt-get install bazel
#升級
sudo apt-get upgrade bazel
6.2 編譯tensorflow的pip版本並安裝
$ bazel build -c opt //tensorflow/tools/pip_package:build_pip_package
# To build with GPU support:
$ bazel build -c opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
$ bazel-bin/tensorflow/tools/pip_package/build_pip_package /tmp/tensorflow_pkg
# The name of the .whl file will depend on your platform.
#注意編譯完成後生成的文件名字和官方doc裡面的是不一定一致的
$ sudo pip install /tmp/tensorflow_pkg/tensorflow-0.*-linux_x86_64.whl
i6700k 32g編譯時間:
只編譯代碼不帶pip INFO: Elapsed time: 967.271s, Critical Path: 538.38s
bazel-bin/tensorflow/tools/pip_package/build_pip_package INFO: Elapsed time: 65.183s, Critical Path: 48.58
7 最後測試
前面都整完了，現在該測試了，注意前面有兩個動態鏈接庫的位置，cuDNN在/usr/local/cuda/lib64， 而cuda在/usr/local/cuda-8.0/lib64，所以這個時候的bashrc應該這么寫：
export PATH=/usr/local/cuda-8.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:/usr/local/cuda-8.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}寫完後,
source ~/.bashrc
cd tensorflow/tensorflow/models/image/mnist
python convolutional.py
成功的話會出現流暢的跑動:
h@h:~/Downloads/tensorflow/tensorflow/models/image/mnist$ python convolutional.py
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcublas.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcudnn.so.5.0.5 locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcufft.so locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcuda.so.1 locally
I tensorflow/stream_executor/dso_loader.cc:108] successfully opened CUDA library libcurand.so locally
Extracting data/train-images-idx3-ubyte.gz
Extracting data/train-labels-idx1-ubyte.gz
Extracting data/t10k-images-idx3-ubyte.gz
Extracting data/t10k-labels-idx1-ubyte.gz
I tensorflow/stream_executor/cuda/cuda_gpu_executor.cc:925] successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
I tensorflow/core/common_runtime/gpu/gpu_init.cc:102] Found device 0 with properties:
name: GeForce GTX 1080
major: 6 minor: 1 memoryClockRate (GHz) 1.8475
pciBusID 0000:01:00.0
Total memory: 7.92GiB
Free memory: 7.41GiB
I tensorflow/core/common_runtime/gpu/gpu_init.cc:126] DMA: 0
I tensorflow/core/common_runtime/gpu/gpu_init.cc:136] 0: Y
I tensorflow/core/common_runtime/gpu/gpu_device.cc:838] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1080, pci bus id: 0000:01:00.0)
Initialized!
Step 0 (epoch 0.00), 8.4 ms
Minibatch loss: 12.054, learning rate: 0.010000
Minibatch error: 90.6%
Validation error: 84.6%
......
Minibatch error: 0.0%
Validation error: 0.7%
Step 8500 (epoch 9.89), 4.7 ms
Minibatch loss: 1.601, learning rate: 0.006302
Minibatch error: 0.0%
Validation error: 0.9%
Test error: 0.8%
⑹ 顯卡是920M安裝tensorflow可以安裝GPU版本嗎
查看本機GPU是否支持安裝tensorflow-gpu。
安裝gpu版本的tensorflow需要安裝cuda和cudnn。
所以需要檢查cuda是否支持本機gpu，需要計算能力大於3.1。
根據英偉達官方提供的數據，GF920M計算能力3.5，剛好滿足要求，可以安裝gpu版本。
具體參數見下圖
⑺ 如何查看tensorflow 安裝 cuda
Ubuntu安裝tensorflow先安裝python-dev，再安裝tensorflow就好了$sudoapt-getinstallpython-dev$pipinstall
⑻ tensorflow支持cuda9.0嗎
支持 Ubuntu14.10+cuda7.0+caffe配置 ：linux安裝 Linux安裝說我安裝ubuntu14.10 二：nVidia驅CUDA Toolkit安裝調試（*.run） 1: Verify You Have a CUDA-Capable GPU 執行面操
⑼ 普通電腦PC怎樣跑TensorFlow的GPU模式
普通電腦PC怎樣跑TensorFlow的GPU模式
在Mac電腦上面編譯GPU版本TensorFlow的方法
基本使用
使用 TensorFlow, 你必須明白 TensorFlow:
使用圖 (graph) 來表示計算任務.
在被稱之為 會話 (Session) 的上下文 (context) 中執行圖.
使用 tensor 表示數據.
通過 變數 (Variable) 維護狀態.
使用 feed 和 fetch 可以為任意的操作(arbitrary operation) 賦值或者從其中獲取數據.
⑽ 安裝了GPU enable的Tensorflow，就是自動調用cuda進行計算的嗎
Tensor-flow 默認使用一個gpu進行運算（如果有gpu的話）。具體的調用會在程序里。如果要使用多gpu的話要相應修改程序。
至於哪部份會放到gpu上跑，一般來說是model training的部分，因為這部分程序是computation intense。你可以把其他部分放到gpu上運行，但是由於cpu-gpu的通信時間較長，會使得程序執行的更慢。