tensorflow安装： win10 + RTX2060 + tensorflow1.15.0+ cuda10.0 + VScode

引言：

之前用的tensorflow 1.10版本，发现在训练CNN的时候会自动中止，最后定位到加入卷积层就会导致训练崩溃/中止，只用全连接层却能正常训练。重装一天后无果，干脆全部升级使用tensorflow1.15：

改用WIN10+python3.7+tensorflow1.15.0+CUDA10.0(+cudnn7.6.5)+VScode

顺便记录下过程

我的笔记本配置：ryzen7 4800h+RTX2060+16G 3200 DDR4 RAM+1.5T SSD 

因为我们要安装的GPU版本的tensorflow, 只要大佬你的显卡和我的一样(无论是笔记本还是台式机)就可以照这个流程安装了

安装目录：

1.python3.7

2.VScode(或者各位大佬熟悉的其他IDE)

3.CUDA10.0

4.CUDNN7.6

5.tensorflow_gpu 1.15.0

1.python3.7

注意tensorflow_gpu 1.15.0对应必须使用python3.7的版本，如果大佬们原来用的其他版本，要先换为py3.7的环境

从win10自带应用市场安装最方便，而且环境自动配好

1.电脑桌面左下角win旁边的搜索框中输入 microsoft store， 打开应用商店后右上角找python搜索

2.从结果中找到python3.7安装

 

验证：如果大佬第一次装python, 可以粗略用cmd验证一下：cmd窗口输入python -V , 会提示python 版本 3.7.x

进一步验证：可以打开桌面左下角搜索框输入IDLE  (python自带的IDE)

print('hello world')+回车(注意使用英文输入法)， 没报错则okay

 2.IDE：VScode

全称为：Visual studio code . 这个IDE相对pycharm来说更简洁，有巨量的第三方插件，还自带的第三方插件安装平台，免费而且啥计算机语言都支持。很喜欢这个IDE，这里墙裂推荐各位大佬使用。这步不是必要的，各位大佬也可以使用自己熟悉的IDE

微软的官网下载：https://code.visualstudio.com/

安装既能用，在左方插件栏可以找到各种你想要或者不想要的python插件（其中一个叫python的插件必须安装不然编译不了）

 

 

3.CUDA10.0

下载地址：https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal

现在说只有基础包，没有补丁，下载基础包安装就好了。

·安装的时候出现选择里边，驱动和pyhsx不是必须的（前提是如果你已经安装了比安装提示更新版本的驱动）

·安装里边VS2015相关的东西不是必须的，如果你只在python环境下做深度学习

·环境是安装的时候自动加好的

注意下载版本是对的，如下图：是CUDA Toolkit 10.0 ; 是CUDA Toolkit 10.0 ; 是CUDA Toolkit 10.0 ; 是CUDA Toolkit 10.0 ; 重要的事情说3遍

验证：

桌面右下角搜索窗口输入cmd 

输入nvcc -V

会显示CUDA的信息

4.CUDNN 7.6.5

官方下载链接（需要登陆，如果大佬第一次用，最快的时选择社交账号->微信登陆）：https://developer.nvidia.com/rdp/cudnn-archive

选择 CUDNN v7.6.5 for CUDA 10.0 里边的 win10版本

注意：选择 CUDNN v7.6.5 for CUDA 10.0  ； 选择 CUDNN v7.6.5 for CUDA 10.0 ； 选择 CUDNN v7.6.5 for CUDA 10.0 重要的事情说三遍

 

下载后解压，并把解压后的文件全部复制到CUDA中

我们在上一步装的是CUDA10.0 ，默认路径如下：

C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0

5.tensorflow_gpu

我们要安装的是tensorflow 1 系列最新（现在来说）的版本1.15， 需求的CUDA10.0 和CUDNN我们已经在上面两步装上了

cmd窗口 ， 用pip install 指令安装， 为了加速，这里我们使用国内清华镜像站加速：

完整的指令为：

pip install tensorflow_gpu==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

所有的依赖包都会顺带安装好：

我在安装过程报了一次错：

ERROR: Could not install packages due to an EnvironmentError: [Errno 2] No such file or directory: 'C:\Users\Denn.Dumbledore\AppData\Local\Packages\PythonSoftwareFoundation.Python.3.7_qbz5n2kfra8p0\LocalCache\local-packages\Python37\site-packages\tensorflow_estimator\python\estimator\canned\linear_optimizer\python\utils\__pycache__\sharded_mutable_dense_hashtable.cpython-37.pyc'

原因是注册列表长度限制：

找到一个网上的解答https://stackoverflow.com/questions/59388330/tensorflow-installation-problem-on-windows-10

引用h.meng的回答：HKEY_LOCAL_MACHINESYSTEMCurrentControlSetControlFileSystem@LongPathsEnabled to 1. You can do it by Win+R, and type regedit and you can change the setting above. Hope my answer works for you.

解除注册列表长度限制后，重新按照第5步安装一下

成功会提示succefully installed xxx包 xxx包 xxx包...

 到这里所有的安装已经完成了

验证：

为了确保这次安装的tensorflow1.15没有出现之前1.10奇怪的训练问题，我这里用包含一个卷积层、一个池化层、一个全连接层的简单模型测试一下：

1.随便在哪个你喜欢的路径建立一个文件夹，在文件夹里边新建一个python文件随便命名，比如:Demo.py

2.打开VScode

3.把刚刚新建的文件夹用鼠标左键拖到vscode的主窗口中，输入下面这个模型的代码，按F5运行

注意：

·此Demo需要使用mnist数据集测测试：

（这个数据集是第一次运行自动从网络指定路径下载的，如果是各位大佬第一次使用这个数据集，可能会出现下载数据集超时的网络问题，这样子的话可以直接报错链接处下载好数据，再放入keras dataset的路径，具体方法可以百度搜索错误内容）

·这个DEMO是一个3层模型：

　　·1个卷积层6*5*5

　　·1个池化层2*2

　　·1个全连接层120

展开浏览代码：

#Demo
import tensorflow as tf 
import numpy as np

#train set
(x_train,y_train),(x_test,y_test)=tf.keras.datasets.mnist.load_data()

#normalization
x_train = tf.keras.utils.normalize(x_train)
x_test = tf.keras.utils.normalize(x_test)

#one more channel is needed to convolution layer
x_train=x_train.reshape(-1,28,28,1)
x_test=x_test.reshape(-1,28,28,1)

#label：one_hot()
y_train = tf.keras.utils.to_categorical(y_train, 10)
y_test = tf.keras.utils.to_categorical(y_test, 10)#numpy


#model instantiation
model= tf.keras.models.Sequential()
#convolution  6*5*5 
model.add(tf.keras.layers.Conv2D(6,(5,5),activation='relu',input_shape=(28,28,1),padding="same"))
#pooling  2*2
model.add(tf.keras.layers.MaxPooling2D(pool_size=(2,2)))
#dropout, in case of over fitting
model.add(tf.keras.layers.Dropout(0.25))
#flatten
model.add(tf.keras.layers.Flatten())
#full connection 120
model.add(tf.keras.layers.Dense(120,activation='relu'))
#dropout, in case of over fitting
model.add(tf.keras.layers.Dropout(0.5))
#output layer : softmax 
model.add(tf.keras.layers.Dense(10,activation='softmax'))
#set optimizer and loss function
model.compile(optimizer='adam',loss=tf.keras.losses.categorical_crossentropy,metrics=['accuracy'])

#train
result = model.fit(x_train,y_train,epochs=2,validation_data=(x_test,y_test))
print('fitting process finished')

#get loss and accuratity
val_loss,val_acc=model.evaluate(x_test,y_test)
print('loss:',val_loss,'acc:', val_acc)

#check with the first 10 data in the test set
predictions=model.predict(x_test[:10])

print(predictions)
for i in range(10):
    predicted_number = np.argmax(predictions[i])#get the max one, which is the most probablity of the prediction
    print( 'prediction:',predicted_number,'groundTrue:',y_test[i])

输出结果：