TensorFlow-GPU的安装及keras的安装

背景：需要运行一个基于keras的BERT+BiLSTM+CRF的NER项目，因此写了这篇小记，记录环境准备的过程和步骤。

前提：先安装Anaconda(这里我使用的是Anaconda3)
参考链接：https://blog.csdn.net/colleges/article/details/121948153

这里的Python版本为Python 3.6.8

通过下面这一行代码查看本机anaconda的conda镜像源有哪些。

本机查询结果如下图所示，由图可知，本机没有配置镜像源，为默认的，所以下载东西的时候网速会比较慢。

为conda配置清华镜像源，配置结果如下图所示。

清华镜像源：https://pypi.tuna.tsinghua.edu.cn/simple
阿里云镜像源：https://mirrors.aliyun.com/pypi/simple/

pip安装的时候大部分的包都不是很大，因此这里选择在pip命令后面使用参数-i来临时指定镜像源。想要永久有效，可以参考文章：https://blog.csdn.net/anglemanyi/article/details/112647242

这里安装的TensorFlow版本为1.14.0

输入以下命令安装TensorFlow-gpu，可以看到，指定了镜像源之后速度比原来快多了（原来只有几十K）。

安装完成后，进入Python编辑器，通过如下命令尝试导入tensorflow，发现报了下图所示的错误。

返回的所有错误信息主要意思就是缺少了cudart64_100.dll，而且最后也提示我们需要安装CUDA10.0。

TensorFlow、CUDA以及cuDNN的版本对应关系：https://www.tensorflow.org/install/source_windows
CUDA Toolkit与显卡驱动程序版本对应关系：http://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
cuDNN官网：https://developer.nvidia.com/cudnn

• 先查看一下版本。我需要安装的是TensorFlow-gpu-1.14.0，当前的Python版本为3.6.8，通过上面列出的第一条链接可知符合要求；所需要的CUDA版本确实为CUDA10，对应的cuDNN版本为cuDNN7.4。通过上述第二条链接，可以知道CUDA10.0.130要求显卡驱动程序版本                                   ≥                         411.31                              \geq411.31                  ≥411.31(Windows下)。
  

• 查看自己电脑的驱动程序版本：在命令行输入nvidia-smi，可以看到本机的显卡驱动程序版本为                                   496.49                         ≥                         411.31                              496.49\geq411.31                  496.49≥411.31，符合要求。
  

需要注意的的是，①某一个显卡驱动程序版本之下，可以使用多种版本的CUDA。②虽然通过TensorFlow官网我们知道TensorFlow-GPU-1.14.0版本对应的cudnn版本为7.4，但其实这个不是必须的，但我们必须确保对应的cuda版本为10.0，然后看哪一版本的cudnn支持CUDA10.0（通过2.3节最开始列出的cuDNN官网可查询）。根据下图所示内容，我们可以使用cudnn7.6.5。

CUDA官网：https://developer.nvidia.com/cuda-gpus
cuDNN官网：https://developer.nvidia.com/cudnn
目前知道的有两种安装方式：

①通过官网，下载可执行文件然后在本地安装。值得注意的是，用这种方式安装CUDA的时候，安装的内容非常全面，甚至也包括了显卡驱动程序，然而我们只需要其中的一部分，来支持TensorFlow的运作，所以就有了第二种方式。②通过在虚拟环境中使用conda命令来安装，这样方便快捷，便于管理（前提是需要确保自己电脑上的显卡驱动程序的版本符合要求）。

这里演示的就是采用的②中所述的方法。

由2.3.1的叙述可知我们要安装的是CUDA10.0.130。在conda虚拟环境中，直接使用下面的命令即可安装（已经在2.1.1中配置了conda的国内镜像源）：

CUDA安装完成之后，conda其实是会自动匹配对应的cuDNN，因此直接输入下面的命令即可。它自动匹配出来的cuDNN版本为7.6.5，正是我们在2.3.1节看到的那样。

分别输入以下命令，得到以下三张图的结果就说明没有问题了。

安装完TensorFlow之后便可以开始keras的安装。
这里将要用到的有keras、keras_contrib、keras_bert.

通过keras官网可以知道，keras可以直接通过如下pip命令在虚拟环境中进行安装。

尝试使用pip的方式安装，但是多次尝试无法成功。

百度之后，发现需要通过git进行安装。

git可以使用图形化安装方式，也可以使用命令行安装方式。此处采用命令行方式在虚拟环境中进行安装。

激活虚拟环境，再输入下面的命令，便可成功安装，如下图所示。

安装好git，就可以通过git+网址的方式进行安装了
但是，需要注意，由于GitHub访问很慢，因此选择在gitee上找了一个对应的keras_contrib

如下图所示，直接从GitHub进行git安装的话，可能会访问不了

因此，这里通过gitee安装。输入以下命令即可完成安装，如下图所示。

这个可以通过pip直接安装，输入以下命令即可。

以上是本文的全部内容，本文撰写过程中的主要参考文章如下：