2.4　 Windows环境下安装TensorFlow（GPU版本）和Keras

本节主要介绍如何在Windows环境下安装TensorFlow（GPU版本）和Keras。

2.4.1　确认显卡是否支持CUDA

在深度学习中，我们常常要对图像数据进行处理和计算，而处理器CPU因为需要处理的事情太多，并不能满足我们对图像处理和计算的速度的要求，显卡GPU就是用来帮助CPU解决这个问题的，因为GPU特别擅长处理图像数据。

为什么GPU特别擅长处理图像数据呢？这是因为图像上的每一个像素点都有被处理的需要，而且每个像素点的处理过程和方式都十分相似，GPU就是用很多简单的计算单元去完成大量的计算任务，类似于纯粹的人海战术。GPU不仅可以在图像处理领域大显身手，它还被用在科学计算、密码破解、数值分析、海量数据处理（排序、Map-Reduce等）、金融分析等需要大规模并行计算的领域。

而CUDA（Compute Unified Device Architecture）是显卡厂商NVIDIA（英伟达）推出的只能用于自家GPU的并行计算框架，只有安装这个框架才能够进行复杂的并行计算。该架构使GPU能够解决复杂的计算问题。它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。安装CUDA之后，可以加快GPU的运算和处理速度，主流的深度学习框架也都是基于CUDA进行GPU并行加速的。

要想安装CUDA用于GPU并行加速，首先需要确定计算机显卡是否支持CUDA的安装，也就是查看计算机里面有没有NVIDA的独立显卡。在NVIDA官网列表（https://developer.nvidia.com/cuda-gpus）中可以查看显卡型号。

在桌面上右击，如果能找到NVIDA控制面板，如图2-18所示，则说明该计算机有GPU。

在NVIDIA控制面板上，通过查看系统信息获取支持的CUDA版本，类似结果如图2-19所示。

图2-18

图2-19

2.4.2　安装CUDA

CUDA是显卡厂商NVIDIA推出的基于新的并行编程模型和指令集架构的通用并行计算框架，能利用NVIDIA GPU的并行计算引擎进行复杂的并行计算。安装CUDA的操作步骤如下：

步骤01 如果已经确认系统已有支持CUDA的显卡，这时可以到NVIDIA官方网站https://developer.nvidia.com/cuda-toolkit-archive下载CUDA，如图2-20所示。

图2-20

注意 安装CUDA Driver时，需要与NVIDIA GPU Driver的版本驱动一致，CUDA才能找到显卡。

步骤02 根据实际情况选择合适的版本，这里下载CUDA10的本地安装包，如图2-21所示选择操作系统版本。

图2-21

步骤03 安装时选择自定义，注意箭头标记的复选框不要勾选，如图2-22所示，不需要安装Visual Studio，CUDA的环境变量会自动进行配置。

图2-22

2.4.3　安装cuDNN

cuDNN是用于深度神经网络的GPU加速库，接下来需要下载与CUDA对应的cuDNN，下载地址为https://developer.nvidia.com/rdp/cudnn-archive，如图2-23所示。

图2-23

步骤01 下载cuDNN需要注册英伟达开发者计划的会员账号，加入会员，如图2-24所示。

图2-24

步骤02 成为会员后下载与CUDA对应版本的cuDNN。cuDNN就是个压缩包，解压会生成cuda/include、cuda/lib、cuda/bin三个目录，将里面的文件分别复制到CUDA安装目录（这里是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0目录）下对应的目录即可。注意不是替换文件夹，而是将文件放入对应的文件夹中。

步骤03 安装Visual Studio 2015、2017和2019支持库，这个支持库务必安装，否则后面容易出现各种问题，支持库所占内存大约十几MB。下载地址为https://docs.microsoft.com/zh-CN/ cpp/windows/latest-supported-vc-redist?view=msvc-160，如图2-25所示。

步骤04 安装完成后重启计算机即可。

图2-25

2.4.4　安装TensorFlow（GPU版本）和Keras

步骤01 通过pip命令安装。在命令提示符窗口输入命令“pip install tensorflow-gpu==1.15.2”，安装TensorFlow的GPU版本1.15.2。

步骤02 检查是否安装成功。在Jupyter Notebook代码编辑界面输入如下代码：

    from tensorflow.python.client import device_lib
    import tensorflow as tf
    print(device_lib.list_local_devices())
    print(tf.test.is_built_with_cuda())

输出结果如图2-26所示。输出结果为GPU的相关信息则表示安装成功，如果不是GPU版本，则会输出“False”。

图2-26

步骤03 使用pip命令安装Keras。在命令提示符窗口输入命令“pip install keras==2.1.2”，安装Keras的版本2.1.2。 GuPLG1TQ7tInuq2PX9oYST21Fv5GrLCqCejtVBZQJeAheENO81d5zW/LWdnk7i3V