cudnn

深度学习环境搭建 目录 说明 硬软件环境 NVIDIA显卡驱动安装 cuda8.0安装 cuDNN6.0安装 说明 本文档讲述的是搭建深度学习环境的过程，旨在给各位入坑深度学习的小伙伴提供一个环境安装的说明。 截止到本文档写作时间，cuda已经更新到9.0。由于使用cuda9来编译Tensorflow会遇到各种问题，我在安装好cuda9.0后又卸载了cuda9.0，重新安装了cuda8.0，才顺利编译了Tensorflow。 本文档基于已有的硬件环境和软件环境安装了GTX 1080 Ti的驱动程序，以及cuda8.0和cuDNN6.0。 硬件环境 本次搭建深度学习环境的硬件配置如下： 硬件 配置 处理器 Intel Xeon（R)CPU E5-2640 v4@ 2.40GHz x 20 内存 64G 硬盘 1.3TB 图形卡 GeForce GTX 1080Ti/PCle/SSE2 本次搭建深度学习环境的软件如下： 软件 配置 操作系统 Ubuntu 16.04 64-bit NVIDIA显卡驱动安装 首先去 官网 查找适配自己GPU的驱动版本号。我在官网上查询出来的版本号是384.98。 $ sudo add -apt -repository ppa:graphics -drivers /ppa $ sudo apt -get update $ sudo apt -get

 luffy搭建深度学习环境可谓一波三折, 最后终于搭建成功了, 原来用cpu跑30分钟的代码, gpu上1分30秒就跑完了(感动哭).  另外两篇博客可作为参考, 毕竟踩了许多坑: 深度学习之路–环境篇(使用docker搭建tensorflow_gpu开发环境) 深度学习之路–环境篇(TensorFlow_GPU+CUDA) 基本步骤 1 安装NVIDIA驱动  luffy这里是在服务器上进行搭建环境的, 驱动已经安装好了, 但是安装驱动很关键, 务必要匹配自己的显卡型号和后面准备安装的cuda版本. 网上有很多教程, luffy就不赘述了(主要是自己也不太熟>_<). 2 安装anaconda3 由于luffy使用使用指令安装几次不成功, 所以采用下载sh文件手动安装的办法; 去官网 下载anaconda3, 或者去 清华开源软件镜像 下载更快一点. 转到安装文件所在目录, 使用以下指令进行安装, 一路默认即可, 或者自己指定安装目录. $sh Anaconda3-2018.12-Linux-x86_64.sh 3 创建tensorflow-gpu + cuda + cudnn环境 接下来就是体现anaconda3的强大之处了, 一步到位 首先选定要安装那个版本的cuda, 具体参考 Tensorflow不同版本要求与CUDA及CUDNN版本对应关系 创建conda环境

本机配置cuda8.0使用的cudnn是下面要说的重点，vs2015,win10,1080Ti 下载了开源项目： https://github.com/senlinuc/caffe_ocr 编译的时候报错：caffe_ocr-master/src/caffe/layers/DenseBlock_layer.cu(283): error : too many arguments in function call 调用的地方： CUDNN_CHECK(cudnnSetConvolution2dDescriptor(*convBC_Descriptor, 0 , 0 , 1 , 1 , 1 , 1 , CUDNN_CONVOLUTION, cudnn::dataType<Dtype>::type)); 函数定义： 1 cudnnStatus_t CUDNNWINAPI cudnnSetConvolution2dDescriptor( 2 cudnnConvolutionDescriptor_t convDesc, 3 int pad_h, // zero-padding height 4 int pad_w, // zero-padding width 5 int u, // vertical filter stride 6 int v, // horizontal filter

站长资讯平台 ：今天学习一下Tensorflow2.0 的基础 核心库，@tf.function ，可以方便的将动态图的语言，变成静态图，在某种程度上进行计算加速 TensorFlow Lite TensorFlow.JS TensorFlow Extended 构成了TensorFlow 的生态系统 优势： 1、GPU加速 体现在大数据量运算的时候，的运算时间。如果使用CPU进行运算，那么计算是通过串行模式完成 GPU则会加速运算，并行操作，快速运行。 2、自动求导 自带自动求导工具，方便快速求导。 3、神经网络 直接调用TensorFlow提供的接口， 不需要我们自己去实现。 tf.matmul layers.Demse tf.nn.conv2d layers.Conv2D tf.nn.relu layers.SimpleRNN tf.nn.max_pool2d layers.LSTM tf.nn.sigmoid layers.RelU tf.nn.softmax layers.MaxPool2D 一 、 环境安装 Win10 Anaconda 、Python3.7 CUDA 10.0 cuDNN TensorFlow 2.0 PyCharm 1、Anaconda安装，这里不在赘述，不会的朋友自行百度 测试有没有安装好Anaconda，直接打开命令行，输入：conda list

这个部分我是尝试着安装的，没想到一次成功，步骤如下： 先介绍系统、硬件配置 1. 步骤一，CUDA DRIVERS安装 下载地址 我直接下载了最新版，并查看了要求。在页面详细写了： ① 支持的显卡 ； ② 支持的最新系统 。 需要检查是否匹配。 另外，还标明了CUDA支持的最新版本为 CUDA 10.1 Update 1 步骤二，CUDA安装 下载链接 。上一步查到了驱动支持的最新cuda版本，下载安装： 安装完成后，配置 CUDA 环境，编辑 ~/.bash_profile 文件, 在命令行运行 sudo vim .bash_profile , 添加下面内容： export CUDA_HOME=/usr/local/cuda export DYLD_LIBRARY_PATH="$CUDA_HOME/lib:$CUDA_HOME/extras/CUPTI/lib" export LD_LIBRARY_PATH=$DYLD_LIBRARY_PATH export PATH=$DYLD_LIBRARY_PATH:$PATH export flags="--config=cuda --config=opt" 执行 . ~/.bash_profile 刷新。 步骤三， cudnn安装 下载链接 。从中选择cuda(我的是10.1)对应的cudnn版本。 解压，然后把解压后的 cuda

On ubuntu14.04,I use pytorch with cudnn.This problem happened: Traceback (most recent call last): File "main.py", line 58, in <module> test_detect(test_loader, nod_net, get_pbb, bbox_result_path,config1,n_gpu=config_submit['n_gpu']) File "/home/ubuntu/nndl/DSB2017/test_detect.py", line 52, in test_detect output = net(input,inputcoord) File "/home/ubuntu/anaconda2/lib/python2.7/site-packages/torch/nn/modules/module.py", line 252, in __call__ result = self.forward(*input, **kwargs) File "/home/ubuntu/anaconda2/lib/python2.7/site-packages/torch/nn/parallel/data_parallel.py", line 58, in forward

设置这个 flag 可以让内置的 cuDNN 的 auto-tuner 自动寻找最适合当前配置的高效算法，来达到优化运行效率的问题。 应该遵循以下准则： 如果网络的输入数据维度或类型上变化不大，也就是每次训练的图像尺寸都是一样的时候，设置 torch.backends.cudnn.benchmark = true 可以增加运行效率； 如果网络的输入数据在每次 iteration 都变化的话，会导致 cnDNN 每次都会去寻找一遍最优配置，这样反而会降低运行效率。 torch.backends.cudnn.benchmark = true 来源： https://www.cnblogs.com/captain-dl/p/11938864.html