keras cpu,keras调用gpu

  keras cpu,keras调用gpu

  对于刚入坑的机器学习,算法(回归,决策树等。)和使用的例子都比较简单,一般的CPU(中央处理器)有足够的计算能力,所以可以很快实现。然而,当使用keras(基于深度学习框架的高级APP接口)进行深度学习时,如果用庞大的数据对神经网络中的数百万个参数进行反复训练,CPU很难操作。

  为什么深度学习中GPU比CPU快?这是因为两者的设计不同。CPU由几个为串行处理优化的部件组成,有少量的算术逻辑单元,主要用于管理和协调不同的任务;另一方面,GPU具有由数千个算术逻辑单元组成的并行计算架构,是专门为繁重的计算任务而设计的。

  简单来说,如果要对一组数据重复执行相同的计算任务,GPU更合适;如果要对一组数据执行多个不同的任务,CPU更合适。

  根据渣的实际经验,用2万个样本的gtx970(cuda1600)训练的嵌入式神经网络比A10处理器快20-30倍,具体取决于batchsize的大小。

  安装CUDA和cuDNN

  GPU是NVIDIA在2007年首次推出的。统一计算设备架构(CUDA)是一种允许GPU解决复杂计算问题的并行架构,包括CUDA指令集和并行计算引擎。目前这种架构适用于GeForce、ION、Quadro、Tesla等产品。与AMD相比,支持GPU加速的NVIDIA显卡种类繁多。

  所以如果想用GPU加速,基本上只需要确认显卡是不是NVIDIA品牌就可以了。当然,如果型号太老,但还不清楚,可以去官网调查(https://developer。NVIDIA . com/cuda-GPU)。该列表还可以帮助您了解您所拥有的显卡的计算能力。下图只有一部分。

  在下载CUDA之前,你必须先验证你的显卡支持的CUDA版本。这可以从NVIDA控制面板的系统信息中得到证实。如果找不到NVIDA控制程序,请更新显卡驱动。最新的常规驱动支持新的CUDA版本。(目前TensorFlow-GPU-1.14只支持CUDA10.0,这个渣表示安装10.1后找不到cudart64_100.dll。请忽略后面文本中的具体版本号。)

  双击下载的可执行程序(cuda_10.0.130_411.31_win10.exe)进入安装向导,解压(临时文件可以任意保留,自动删除)。有两种安装方式:“紧凑”(实际上是完整安装,请参考英文注释“install all”)和“自定义”。这里建议使用“自定义”,因为已经安装了一些组件(比如驱动),版本可能太高,无法覆盖。

  如图所示,可以在CUDA列表中选择四个组件:开发、运行时、文档和示例,然后根据需要安装其他组件。(这个渣在安装Nsight的两个组件时遇到了重启错误。原因可能是没有关闭限制状态)。

  请记住安装位置,然后单击“下一步”,直到显示“安装完成”。

  接下来下载cuDNN。这就是所谓的nvidiacudadee网络库。NVIDIA专门设计了基于GPU的加速器库,用于深度神经网络中的基本操作。

  您需要登录您的帐户。注册过程相对简单,只需要一个操作就可以完成注册。(门户网站:https://developer.NVIDIA.com/RDP/CuDNN-下载)。登录后,选择并下载CUDA版本和操作系统对应的cuDNN,将下载的文件解压,放入CUDA安装目录中版本号对应的文件夹中。(c:\ program files \ nvidiagpucomputingtoolkit \ cuda \ v 10.0)

  最后,设置相应的环境变量。如果右击我的电脑属性的高级系统设置环境变量,说明已经设置了CUDA_PATH、CUDA_PATH_V10_1、NVCUDASAMPLES _ ROOT和nvcudasamples 10。

  必须添加以下环境变量:

  cuda _ SDK _ path:c:\ program data \ NVIDIA公司\cuda samples\v 10.1

  cuda _ lib _ path:% cuda _ path % \ lib \ x64

  cuda _ Zr dhb _ path:% cuda _ path % \ jmd dy

  cuda _ SDK _ Zr dhb _ path:% cuda _ SDK _ path % \ jmd dy \ win 64

  cuda _ SDK _ lib _ path:% cuda _ SDK _ path % \ common \ lib \ x64

  并添加到PATH系统变量中:

  %CUDA_LIB_PATH%

  %CUDA_zrdhb_PATH%

  %CUDA_SDK_LIB_P

  ATH%

  % CUDA _ SDK _ zrdhb _ PATH %

  C:\ProgramFiles\NVIDIA GPU计算工具包\CUDA\v10.1\lib\x64

  C:\ProgramFiles\NVIDIA GPU计算工具包\CUDA\v10.1\jmddy

  c:\ program data \ NVIDIA corporation \ CUDA Samples \ v 10.1 \ common \ lib \ x64

  c:\ program data \ NVIDIA corporation \ CUDA Samples \ v 10.1 \ jmddy \ win 64

  配置完成后,我们可以用CUDA内置的两个程序来验证配置是否生效。启动cmd,cd到安装目录.CUDA\v10.1\extras\demo_suite,分别执行bandwidthTest.exe和deviceQuery.exe。如果如图所示,它们都返回到PASS,则配置生效。

  2.创建虚拟环境

  虚拟环境可以理解为一个特定项目的独立开发和运行环境。不同的虚拟环境可以有自己不同的依赖项和工具包,互不影响。根据项目的需要,同一个工具包在不同的虚拟环境中可以有不同的版本。

  使用 conda createn虚拟环境名称python=版本号anaconda (如果在命令末尾不输入anaconda,环境中只会安装python,不会有其他工具包)。过了一会儿,询问您是否要继续,键入y并回车,将出现“done ”,表示创建完成。使用“conda activate virtual environment name”激活(退出环境时停用),如果要删除环境,请使用“conda remove-n virtual environment name-all”。

  使用“conda info -envs”查看所有当前虚拟环境及其位置。

  3.安装TensorFlow_GPU版本

  Keras使用tensorflow(Google开发的深度学习框架)作为后端操作,所以本质上需要GPU来执行tensor flow的计算,为此有一个基于GPU的特殊版本。激活要安装的虚拟环境,使用‘pip install-upgrade tensor flow-GPU’下载安装。

  可能会有太低版本的依赖关系。请使用“pip安装-升级套件名称”逐个升级。

  安装后,键入以下命令并运行:

  将张量流作为tf导入

  hello=tf.constant(hello!)

  sess=tf。会话()

  print(sess.run(hello))

  如果能运行成功,出现显卡设备信息,就实现了GPU调用。

  最后,Keras的安装非常简单,只需‘pip install Keras’即可。

  好了,一切准备就绪,试着让模型飞起来!

  参考:

郑重声明:本文由网友发布,不代表盛行IT的观点,版权归原作者所有,仅为传播更多信息之目的,如有侵权请联系,我们将第一时间修改或删除,多谢。

相关文章阅读

  • w3wp.exe占用cpu过高,w3wp.exe占用内存过高
  • w3wp.exe占用cpu过高,w3wp.exe占用内存过高,认识w3wp.exe进程,从根本上解决占用资源较大问题
  • 盒装的cpu与散装的cpu怎么区分,散装盒装cpu的区别
  • win7注册表优化cpu,Win10修改注册表
  • 换cpu win10需要重新激活吗,更换电脑后怎么激活WIN10
  • surface amd cpu,win10 AMD
  • arm运行win10性能惨不忍睹,arm架构cpu是否支持windows
  • win7电脑内存占用过高怎么办,win7 cpu占用高
  • cpu性能排行天梯图快科技,CPU性能排行天梯图是否真实
  • ,,asp.net 获取机器硬件信息(cpu频率、磁盘可用空间、内存容量等)
  • cpu 占用过高,cpu经常占用过高
  • 资源管理器占用cpu过高,屏幕不断刷新,资源管理器占用cpu过高是中病毒了吗
  • 处理器的线程数和核心数什么意思,cpu核数和线程数的关系
  • cpu使用率总是100怎么办,cpu使用率100是什么意思
  • pytorch cpu版本和gpu版本,ubuntu pytorch gpu
  • 留言与评论(共有 条评论)
       
    验证码: