Comment puis-je faire tensorflow exécuter sur un GPU doté de la capacité de 2.0?
J'ai installé avec succès tensorflow (GPU) sur Linux Ubuntu 16.04 et apporté quelques petites modifications afin de le faire fonctionner avec la nouvelle version LTS d'Ubuntu.
Cependant, j'ai pensé (qui sait pourquoi) que mon GPU répond aux exigences minimales d'un calcul de capacité supérieure à 3.5. Qui n'a pas été le cas depuis mon GeForce 820M a juste 2.1. Est-il un moyen de faire tensorflow GPU version de travail avec mon GPU?
Je pose cette question car apparemment il n'y avait pas moyen de faire tensorflow GPU version de travail sur Ubuntu 16.04 mais en cherchant sur internet j'ai trouvé qui n'était pas le cas et en fait je l'ai fait presque le travail n'était ce pas satisfait l'exigence. Maintenant je me demande si ce problème avec GPU capacité pourrait être corrigé.
- J'ai regardé que les GPU et il semble très faible. Si j'étais vous, je voudrais juste utiliser CPU tensorflow car je ne pense pas qu'il y aura beaucoup de différence en termes de performances. Peut-être même plus rapidement.
- J'ai été en mesure d'utiliser mxnet sur GPU (Python). Il a couru un peu plus vite. Oui, la différence n'est pas beaucoup, mais lors de l'exécution de beaucoup d'époques, même une petite différence peut vous aider. Si l'adaptation de l'emballage de ma machine ne nécessite pas beaucoup d'effort je pense que je pourrais lui donner un essai.
- J'ai remarqué que le tensorflow prend également en charge opencl... ne sais Pas si cela peut être utilisé comme une alternative. Va essayer de la construire comme ça maintenant. Présentera un rapport si cela fonctionne bien.
Vous devez vous connecter pour publier un commentaire.
Le GPU version de tensorflow nécessite de calculer la capacité 3.0 ou supérieur (et utilise cuDNN) pour accéder au GPU. De ici
cuDNN nécessite également un GPU de cc3.0 ou supérieur:
Gpu Fermi (ce2.0, ce2.1) ne sont pas pris en charge par cuDNN.
Anciens Gpu (par exemple de calcul de la capacité 1.x) ne sont également pas pris en charge par cuDNN.
Noter qu'il n'y a jamais été soit une version de cuDNN ou n'importe quelle version de TF qui a officiellement pris en charge des Gpu NVIDIA moins de cc3.0. La version initiale de cuDNN commencé par exiger cc3.0 Gpu, et la version initiale de TF commencé par exiger cc3.0 Gpu.
Sep.2017 mise à Jour: Aucun moyen de le faire sans douleurs et problèmes. J'ai essayé de toutes les façons, et même appliquer en dessous de truc à force de courir, mais finalement j'ai dû abandonner. Si vous êtes sérieux avec Tensorflow simplement aller de l'avant et acheter 3.0 calculer la capacité de GPU.
C'est un tour de force tensorflow exécuter sur 2.0 de calcul de la capacité de GPU (pas officiellement):
Lib/site-packages/tensorflow/python/_pywrap_tensorflow_internal.pyd
(orLib/site-packages/tensorflow/python/_pywrap_tensorflow.pyd)
L'ouvrir avec Notepad++ ou quelque chose de similaire
La recherche de la première occurence de
3\.5.*5\.2
en utilisant les regexVous voyez l'avant 3.0 3.5*5.2, modifier 2.0
J'ai changé comme ci-dessus et peut faire simple calcul sur GPU, mais coincé avec l'étrange et l'inconnu des problèmes lorsque vous essayez avec des projets pratiques(ces projets fonctionnent bien avec la version 3.0 de calcul de la capacité de GPU)
J'ai trouvé comment installer Tensorflow-gpu sur un calcul de la capacité de 2.1 NVIDIA GeForce 525M pour python ,l'astuce est simple utiliser une version archivée de tensorflow, j'ai utilisé 1.9.0
La commande python pour le package à l'aide de PIP est
pip install tensorflow-gpu==1.9.0
et cuDNN version 7.4.1