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.
InformationsquelleAutor mickkk | 2016-07-23
  1. 23

    Le GPU version de tensorflow nécessite de calculer la capacité 3.0 ou supérieur (et utilise cuDNN) pour accéder au GPU. De ici

    TensorFlow support GPU nécessite d'avoir une carte GPU NVidia Compute Capability >= 3.0.

    cuDNN nécessite également un GPU de cc3.0 ou supérieur:

    cuDNN est pris en charge sur Windows, Linux et MacOS avec Pascal, Kepler, Maxwell, le Tegra K1 ou Tegra X1 Gpu.

    • Kepler = cc3.x
    • Maxwell = cc5.x
    • Pascal = cc6.x
    • TK1 = cc3.2
    • TX1 = cc5.3

    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.

    • Maintenant je me demande pourquoi j'ai été en mesure d'exécuter mxnet sur GPU à l'aide de cuDNN bien... En principe, vous ne pourriez même pas installer tensorflow GPU sur la dernière Ubuntu LTS..
    • cuDNN ne fonctionnera pas sur un ce2.1 GPU. Peut-être mxnet a un gpu chemin d'accès qui ne nécessite pas de cuDNN. Cela semble être le cas ici. Notez que le support GPU est revendiquée pour le ce2.0 et plus, mais qu'il utilise des "CUDNN de accélérer le GPU de calcul".
    InformationsquelleAutor Robert Crovella
  2. 9

    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):

    1. Trouver le fichier dans
      Lib/site-packages/tensorflow/python/_pywrap_tensorflow_internal.pyd
      (orLib/site-packages/tensorflow/python/_pywrap_tensorflow.pyd)

    2. L'ouvrir avec Notepad++ ou quelque chose de similaire

    3. La recherche de la première occurence de 3\.5.*5\.2 en utilisant les regex

    4. Vous 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)

    • Je conseille fortement de ne pas le faire. Après aplying cette astuce sur mon portable avec les GeForce 800M résultats incorrects.
    • Oui, c'est triste de savoir que. Mon GPU est également constaté à fonctionner correctement avec un modèle complexe (bugs étranges), alors qu'avec le même modèle (même code), il peut fonctionner en douceur avec GPU 3.0
    • Merci les gars pour signaler des problèmes dans votre expérience ci-dessus. Il m'aide à simple laisser aller et de comprendre que je dois obtenir un nouveau GPU, si je veux courir TF. 🙂 @TinLuu, veuillez envisager l'édition de votre réponse afin de refléter les enjeux de sorte que d'autres personnes qui pourraient ignorer ces commentaires ne pas y aller non plus!
    • Merci pour votre suggestion! J'ai mis à jour la réponse de sorte que l'on peut facilement prendre une décision
    InformationsquelleAutor Tin Luu
  3. -1

    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

    InformationsquelleAutor Jasjit Singh