訓(xùn)練的時候當然用gpu，速度快呀。

我想用cpu版的tensorflow跑一下，結(jié)果報錯，這個錯誤不太容易看懂。

大概意思是沒找到一些節(jié)點。

后來發(fā)現(xiàn)原因，用gpu和cpu保存的pb模型不太一樣，但是checkpoints文件是通用的。

使用tensorflow-cpu再把checkpoints文件重新轉(zhuǎn)換一下pb文件就可以了。

完美解決！

補充：tensflow-gpu版的無數(shù)坑坑坑?。╰f坑大總結(jié)）

自己的小本本，之前預(yù)裝有的pycharm+win10+anaconda3+python3的環(huán)境

2019/3/24重新安裝發(fā)現(xiàn)：目前CUDA10.1安裝不了tensorflow1.13，把CUDA改為10.0即可（記得對應(yīng)的cudann呀）

如果剛?cè)肟樱ㄗh先用tensorflw學會先跑幾個demo，等什么時候接受不了cpu這烏龜般的速度之時，就要開始嘗試讓gpu來跑了。

cpu跑tensorflow只需要在anaconda3下載。

安裝cpu跑的tensorflow:

我的小本本目前已經(jīng)是gpu版本，cpu版本下紅圈里那個版本就好了！

安裝好了后直接在python命令中輸入

import tensorflow as tf

如果不報錯說明調(diào)用成功。

查看目前tensorflow調(diào)用的是cpu還是gpu運行：

import tensorflow as tf
import numpy as np
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))

然后把這段代碼粘貼到編譯器中運行，

看一下運行的結(jié)果中，調(diào)用運行的是什么

看給出的是gpu還是cpu就能判斷目前運行的是哪一個了

安裝gpu版本的tensorflow:

首先第一步要確定你的顯卡是否為N卡，

然后上https://developer.nvidia.com/cuda-gpus去看看你的顯卡是否被NVDIA允許跑機器學習

對于CUDA與cudann的安裝：

需要到nvdia下載CUDA與cudann，這里最重要的是注意CUDA與cudann與tensorflow三者的搭配，

注意版本的搭配！??！

注意版本的搭配?。?！

注意版本的搭配?。?！

tensorflow在1.5版本以后才支持9.0以上的CUDA，所以如果CUDA版本過高，會造成找不到文件的錯誤。

在官網(wǎng)也可以看到CUDA搭配的cudann

在安裝完了cudann時，需要把其三個文件復(fù)制到CUDA的目錄下，并且添加3個新的path：

3個path，

當使用gpu版的tf時，就不再需要安裝原來版本的tf，卸載了就好，安裝tf-gpu版，

判斷自己是否有安裝tf包，對于pycharm用戶，可以在setting那看看是否安裝了tf-gpu

我使用的環(huán)境為：tf1.2+CUDA8.0+cudann5.1

當全部正確安裝時

import tensorflow as tf 仍然出錯

cudnn64_6.dll問題

關(guān)于導(dǎo)入TensorFlow找不到cudnn64_6.dll，其實下載的的是cudnn64_7.dll（版本不符合），把其修改過來就行了。

目錄是在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin下

對于不斷嘗試扔失敗運行GPU版本，可以把tf先刪除了重新下

import tensorflow as tf
print(tf.__version__)

查詢tensorflow安裝路徑為:

print(tf.__path__)

成功用GPU運行但運行自己的代碼仍然報錯：

如果報錯原因是這個

ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[10000,28,28,32]

最后關(guān)于這個報錯是因為GPU的顯存不夠，此時你可以看看你的代碼，是訓(xùn)練集加載過多還是測試集加載過多，將它一次只加載一部分即可。

對于訓(xùn)練集banch_xs,banch_ys = mnist.train.next_batch(1000) 改為

banch_xs,banch_ys = mnist.train.next_batch(100)即可，

而測試集呢print(compute_accuracy(mnist.test.images[:5000], mnist.test.labels[:5000])) 改為

print(compute_accuracy(mnist.test.images, mnist.test.labels))即可

以上為個人經(jīng)驗，希望能給大家一個參考，也希望大家多多支持腳本之家。如有錯誤或未考慮完全的地方，望不吝賜教。

最新評論