現況

1. 在開始訓練模型之前，先和大家分享如何在Windows 10安裝CUDA、cuDNN。藉由tensorflow-GPU訓練模型，降低訓練模型的時間。以下分成：硬體、韌體與軟體，逐一介紹。

2. 硬體：

   2.1 處理器：Intel® Core™ i7-10700K

   2.2 顯示卡 ：RTX2060super / 顯存8G

   2.3 記憶體：48G

3. 韌體：

   3.1 作業系統：Windows 10 / 64位元

   3.2 顯示卡驅動程式：472.12

4. 軟體：

   4.1 Python：3.7.8

   4.2 Pycharm：PyCharm Community Edition 2019.2.3

工具/套件

1. tensorflow：2.2.0
2. keras：2.3.1
3. CUDA：10.1
4. cuDNN：7.6

內容

1. 更新顯卡驅動程式：

   1.1 檢查顯示卡驅動程式版本

   • 開啟NVDIA面板
     

   • 查詢版本
     

   1.2 下載最新版本

   • 前往NVDIA官方載點，搜尋顯示卡規格。
     

   • 下載驅動
     

   1.3 安裝顯示卡驅動

   • 系統檢查：點選NVDIA圖形驅動程式。
     

   • 授權協議：點選自訂(進階選項)。
     

   • 選項：可以只勾選安裝「圖形驅動程式 」。
     

   • 安裝
     

2. tensorflow與keras：

   2.1 版本適配：進行深度學習時，可能因tensorflow與keras版本適配問題，頻繁出現error。我們參考此文章，幾經嘗試後選定tensorflow(2.2.0)、keras(2.3.1)，並成功啟動GPU加速。

   2.2 tensorflow：在Terminal輸入pip install tensorflow-gpu==2.2.0

   2.3 keras：在Terminal輸入pip install keras==2.3.1

3. CUDA與cuDNN

   3.1 請點選此處查詢CUDA與CuDNN適配版本。(如下圖)

   

   3.2 下載CUDA：官方載點

   • 載點
     

   • 過程
     

   3.3 安裝CUDA

   • 授權協議：僅點選安裝CUDA即可。
     

   • 安裝路徑：建議以預設路徑安裝即可。
     

   • 安裝
     

   3.4 下載cuDNN：官方載點

   • 載點
     

   • 驗證：點選後，需要進行信箱驗證，並填寫一些使用者問券，才能下載。
     

   • 完成驗證後下載
     

   3.5 安裝CuDNN

   • 將cuDNN解壓縮後，內含3個資料夾
     

   • 將3個資料夾移動到目標路徑並覆蓋
     

4. 測試是否可以啟用tensorflow-gpu

   4.1 程式碼

   import tensorflow as tf
   print(tf.test.is_gpu_available())
   

   4.2 結果：成功啟用，如下圖。
   
   (偵測到顯卡資訊，並輸出True)

小結

下一章，會和大家簡單地介紹CNN(卷積神經網路)與其不同領域的應用，及我們選擇模型訓練方式的想法。

讓我們繼續看下去...

參考資料

1. NVIDIA CUDA Toolkit Release Notes
2. Build from source on Windows