Google متعهد به پیشبرد برابری نژادی برای جوامع سیاه است. ببینید چگونه.
این صفحه به‌وسیله ‏Cloud Translation API‏ ترجمه شده است.
Switch to English

پشتیبانی GPU

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

این دستورالعمل های نصب آخرین نسخه TensorFlow است. تنظیمات ساخت آزمایش شده برای نسخه های CUDA® و cuDNN را برای استفاده از نسخه های قدیمی تر TensorFlow مشاهده کنید.

بسته بندی پیپ

به راهنمای نصب پیپ برای بسته های موجود ، الزامات سیستم و دستورالعمل ها مراجعه کنید. TensorFlow pip بسته شامل پشتیبانی GPU برای کارت های CUDA® فعال: 

pip install tensorflow

این راهنما مراحل پشتیبانی و نصب GPU را برای آخرین نسخه پایدار TensorFlow را در بر می گیرد.

نسخه های قدیمی تر TensorFlow

برای نسخه های 1.15 و بالاتر ، بسته های CPU و GPU جداگانه 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 یا بالاتر. لیست کارتهای GPU با قابلیت CUDA® را مشاهده کنید .
  • برای پردازنده های گرافیکی با معماری های پشتیبانی نشده CUDA® یا برای جلوگیری از تدوین JIT از PTX یا استفاده از نسخه های مختلف کتابخانه های NVIDIA® ، به لینوکس ساخت از راهنمای منبع مراجعه کنید .
  • در سیستم های دارای GPU های NVIDIA ® Ampere (معماری CUDA 8.0) یا جدیدتر ، هسته های JT از PTX تهیه شده اند و TensorFlow می تواند بیش از 30 دقیقه زمان ببرد. این سربار می تواند با افزایش اندازه پیش فرض حافظه نهان JIT به اولین راه اندازی محدود شود: ' export CUDA_CACHE_MAXSIZE=2147483648 ' export CUDA_CACHE_MAXSIZE=2147483648 (برای جزئیات بیشتر به JIT Caching مراجعه کنید).
  • بسته ها شامل کد PTX نیستند به جز جدیدترین معماری پشتیبانی شده CUDA®. بنابراین ، هنگام CUDA_FORCE_PTX_JIT=1 ، CUDA_FORCE_PTX_JIT=1 در GPU های قدیمی تر بارگیری نمی کند. (برای جزئیات بیشتر به سازگاری برنامه مراجعه کنید.)

مورد نیاز نرم افزار

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

  • درایورهای GPU NVIDIA® —CUDA® 10.1 به 418.x یا بالاتر نیاز دارد.
  • CUDA® Toolkit —TensorFlow از CUDA® 10.1 پشتیبانی می کند (TensorFlow> = 2.1.0)
  • CUPTI با CUDA® Toolkit ارسال می شود.
  • cuDNN SDK 7.6
  • (اختیاری) TensorRT 6.0 برای بهبود تأخیر و توان برای استنباط در برخی از مدل ها.

راه اندازی لینوکس

دستورالعمل های apt زیر ساده ترین روش برای نصب نرم افزار مورد نیاز NVIDIA در اوبونتو است. اما اگر از TensorFlow از منبع استفاده می کنید ، نیازهای نرم افزاری را که در بالا ذکر شده است ، به صورت دستی نصب کنید و از تصویر -devel Docker به عنوان پایه در نظر بگیرید.

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

3D853a1b33

CUDA را با مناسب نصب کنید

در این بخش نحوه نصب CUDA® 10 (TensorFlow> = 1.13.0) در اوبونتو 16.04 و 18.04 نشان داده شده است. این دستورالعمل ها ممکن است برای سایر اشیاء مبتنی بر دبیان کار کند.

اوبونتو 18.04 (CUDA 10.1) 

# Add NVIDIA package repositories
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/cuda-repo-ubuntu1804_10.1.243-1_amd64.deb
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1804/x86_64/7fa2af80.pub
sudo dpkg -i cuda-repo-ubuntu1804_10.1.243-1_amd64.deb
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

# Install development and runtime libraries (~4GB)
sudo apt-get install --no-install-recommends \
    cuda-10-1 \
    libcudnn7=7.6.5.32-1+cuda10.1  \
    libcudnn7-dev=7.6.5.32-1+cuda10.1


# Install TensorRT. Requires that libcudnn7 is installed above.
sudo apt-get install -y --no-install-recommends libnvinfer6=6.0.1-1+cuda10.1 \
    libnvinfer-dev=6.0.1-1+cuda10.1 \
    libnvinfer-plugin6=6.0.1-1+cuda10.1

اوبونتو 16.04 (CUDA 10.1) 

# 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-repo-ubuntu1604_10.1.243-1_amd64.deb
sudo apt-key adv --fetch-keys https://developer.download.nvidia.com/compute/cuda/repos/ubuntu1604/x86_64/7fa2af80.pub
sudo dpkg -i cuda-repo-ubuntu1604_10.1.243-1_amd64.deb
sudo apt-get update
wget http://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

# 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-418
# 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-10-1 \
    libcudnn7=7.6.4.38-1+cuda10.1  \
    libcudnn7-dev=7.6.4.38-1+cuda10.1


# Install TensorRT. Requires that libcudnn7 is installed above.
sudo apt-get install -y --no-install-recommends \
    libnvinfer6=6.0.1-1+cuda10.1 \
    libnvinfer-dev=6.0.1-1+cuda10.1 \
    libnvinfer-plugin6=6.0.1-1+cuda10.1

نصب ویندوز

شرایط سخت افزاری و نرم افزار مورد نیاز در بالا را ببینید. راهنمای نصب CUDA® را برای ویندوز 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_7.dll بدون پرونده cuDNN64_7.dll بارگیری نمی شود. برای استفاده از نسخه های مختلف ، به ساخت Windows از راهنمای منبع مراجعه کنید .

دایرکتوری های نصب CUDA® ، CUPTI و cuDNN را به متغیر محیطی %PATH% . به عنوان مثال ، اگر مجموعه ابزار CUDA® در C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1 و cuDNN to C:\tools\cuda ، %PATH% خود را به روز کنید: 

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%