RSVP for your your local TensorFlow Everywhere event today!
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

پشتیبانی از پردازنده گرافیکی

پشتیبانی از GPU TensorFlow به مجموعه ای از درایورها و کتابخانه ها نیاز دارد. برای ساده سازی نصب و جلوگیری از درگیری کتابخانه ، توصیه می کنیم از یک تصویر TensorFlow Docker با پشتیبانی GPU (فقط Linux) استفاده کنید. این تنظیمات فقط به درایورهای GPU NVIDIA® نیاز دارد.

این دستورالعمل های نصب برای آخرین نسخه TensorFlow است. از پیکربندی های ساخته شده آزمایش شده برای نسخه های CUDA® و cuDNN برای استفاده در نسخه های قدیمی TensorFlow دیدن کنید.

بسته پیپ

برای بسته های موجود ، نیازهای سیستم و دستورالعمل ها به راهنمای نصب pip مراجعه کنید. بسته pip TensorFlow شامل پشتیبانی از پردازنده گرافیکی کارتهای CUDA® می باشد:

pip install tensorflow

این راهنما شامل مراحل پشتیبانی و GPU GPU برای آخرین نسخه پایدار TensorFlow است.

نسخه های قدیمی تر TensorFlow

برای نسخه های 1.15 به بالا ، بسته های CPU و GPU جدا هستند:

pip install tensorflow==1.15      # CPU
pip install tensorflow-gpu==1.15  # GPU

مورد نیاز سخت افزار

دستگاه های دارای GPU زیر پشتیبانی می شوند:

  • کارت GPU NVIDIA® با معماری CUDA® 3.5 ، 5.0 ، 6.0 ، 7.0 ، 7.5 ، 8.0 و بالاتر از 8.0. به لیست کارتهای GPU مجهز به CUDA® مراجعه کنید.
  • برای پردازنده های گرافیکی با معماری CUDA پشتیبانی نشده ، یا جلوگیری از جمع آوری JIT از PTX یا استفاده از نسخه های مختلف کتابخانه های NVIDIA® ، به راهنمای ساخت Linux مراجعه کنید.
  • بسته ها حاوی کد PTX نیستند به جز آخرین معماری پشتیبانی شده CUDA®. بنابراین ، CUDA_FORCE_PTX_JIT=1 هنگام CUDA_FORCE_PTX_JIT=1 روی GPU های قدیمی بارگیری نمی کند. (برای اطلاعات بیشتر به سازگاری برنامه مراجعه کنید.)

الزامات نرم افزار

نرم افزار NVIDIA® زیر باید روی سیستم شما نصب شود:

راه اندازی لینوکس

دستورالعمل های apt زیر ساده ترین راه برای نصب نرم افزار NVIDIA مورد نیاز در اوبونتو است. با این حال ، اگر TensorFlow را از منبع ساختید ، به صورت دستی الزامات نرم افزاری ذکر شده در بالا را نصب کنید و استفاده از یک تصویر -devel Docker را به عنوان پایه در نظر بگیرید.

CUPTI را نصب کنید که با جعبه ابزار CUDA® ارسال می شود. فهرست نصب آن را به متغیر محیطی $LD_LIBRARY_PATH :

export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/extras/CUPTI/lib64

CUDA را با apt نصب کنید

این بخش نحوه نصب CUDA® 10 (TensorFlow> = 1.13.0) را در اوبونتو 16.04 و 18.04 نشان می دهد. این دستورالعمل ها ممکن است برای سایر توزیع های مبتنی بر Debian کار کنند.

اوبونتو 18.04 (CUDA 11.0)

# Add NVIDIA package repositories
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-ubuntu1804.pin
sudo mv cuda-ubuntu1804.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/ /"
sudo apt-get update

wget http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb

sudo apt install ./nvidia-machine-learning-repo-ubuntu1804_1.0.0-1_amd64.deb
sudo apt-get update

# Install NVIDIA driver
sudo apt-get install --no-install-recommends nvidia-driver-450
# Reboot. Check that GPUs are visible using the command: nvidia-smi

wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1804/x86_64/libnvinfer7_7.1.3-1+cuda11.0_amd64.deb
sudo apt install ./libnvinfer7_7.1.3-1+cuda11.0_amd64.deb
sudo apt-get update

# Install development and runtime libraries (~4GB)
sudo apt-get install --no-install-recommends \
    cuda-11-0 \
    libcudnn8=8.0.4.30-1+cuda11.0  \
    libcudnn8-dev=8.0.4.30-1+cuda11.0


# Install TensorRT. Requires that libcudnn8 is installed above.
sudo apt-get install -y --no-install-recommends libnvinfer7=7.1.3-1+cuda11.0 \
    libnvinfer-dev=7.1.3-1+cuda11.0 \
    libnvinfer-plugin7=7.1.3-1+cuda11.0

اوبونتو 16.04 (CUDA 11.0)

# Add NVIDIA package repositories
# Add HTTPS support for apt-key
sudo apt-get install gnupg-curl
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/cuda-ubuntu1604.pin
sudo mv cuda-ubuntu1604.pin /etc/apt/preferences.d/cuda-repository-pin-600
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
sudo add-apt-repository "deb https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/ /"
sudo apt-get update
wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
sudo apt install ./nvidia-machine-learning-repo-ubuntu1604_1.0.0-1_amd64.deb
sudo apt-get update
wget https://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu1604/x86_64/libnvinfer7_7.1.3-1+cuda11.0_amd64.deb
sudo apt install ./libnvinfer7_7.1.3-1+cuda11.0_amd64.deb
sudo apt-get update

# Install NVIDIA driver
# Issue with driver install requires creating /usr/lib/nvidia
sudo mkdir /usr/lib/nvidia
sudo apt-get install --no-install-recommends nvidia-driver-450
# Reboot. Check that GPUs are visible using the command: nvidia-smi

# Install development and runtime libraries (~4GB)
sudo apt-get install --no-install-recommends \
    cuda-11-0 \
    libcudnn8=8.0.4.30-1+cuda11.0  \
    libcudnn8-dev=8.0.4.30-1+cuda11.0


# Install TensorRT. Requires that libcudnn7 is installed above.
sudo apt-get install -y --no-install-recommends \
    libnvinfer7=7.1.3-1+cuda11.0 \
    libnvinfer-dev=7.1.3-1+cuda11.0 \
    libnvinfer-plugin7=7.1.3-1+cuda11.0 \
    libnvinfer-plugin-dev=7.1.3-1+cuda11.0

نصب ویندوز

نیازهای سخت افزاری و نیازهای نرم افزاری ذکر شده در بالا را مشاهده کنید. راهنمای نصب CUDA® برای ویندوز را بخوانید.

اطمینان حاصل کنید که بسته های نرم افزاری NVIDIA نصب شده با نسخه های ذکر شده در بالا مطابقت دارند. به طور خاص ، cuDNN64_8.dll بدون پرونده cuDNN64_8.dll بارگیری نمی شود. برای استفاده از نسخه دیگری ، به راهنمای ساخت Windows از منبع مراجعه کنید .

فهرستهای نصب CUDA® ، CUPTI و cuDNN را به متغیر محیطی %PATH% . به عنوان مثال ، اگر جعبه ابزار CUDA® در C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0 و cuDNN به C:\tools\cuda ، %PATH% خود را به روز کنید تا مطابقت داشته باشد:

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%