RSVP for your your local TensorFlow Everywhere event today!
Halaman ini diterjemahkan oleh Cloud Translation API.
Switch to English

Dukungan GPU

Dukungan TensorFlow GPU membutuhkan bermacam-macam driver dan pustaka. Untuk menyederhanakan penginstalan dan menghindari konflik library, kami merekomendasikan penggunaan image TensorFlow Docker dengan dukungan GPU (khusus Linux). Pengaturan ini hanya membutuhkan driver GPU NVIDIA® .

Petunjuk penginstalan ini ditujukan untuk rilis terbaru TensorFlow. Lihat konfigurasi build yang diuji untuk versi CUDA® dan cuDNN yang akan digunakan dengan rilis TensorFlow yang lebih lama.

Paket pip

Lihat panduan instalasi pip untuk paket yang tersedia, persyaratan sistem, dan instruksi. Paket pip TensorFlow menyertakan dukungan GPU untuk kartu yang mendukung CUDA®:

pip install tensorflow

Panduan ini mencakup dukungan GPU dan langkah-langkah penginstalan untuk rilis TensorFlow stabil terbaru.

Versi TensorFlow yang lebih lama

Untuk rilis 1.15 dan yang lebih lama, paket CPU dan GPU terpisah:

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

Persyaratan perangkat keras

Perangkat berkemampuan GPU berikut ini didukung:

  • Kartu GPU NVIDIA® dengan arsitektur CUDA® 3.5, 5.0, 6.0, 7.0, 7.5, 8.0 dan lebih tinggi dari 8.0. Lihat daftar kartu GPU berkemampuan CUDA® .
  • Untuk GPU dengan arsitektur CUDA® yang tidak didukung, atau untuk menghindari kompilasi JIT dari PTX, atau untuk menggunakan versi berbeda dari pustaka NVIDIA®, lihat Linux build dari panduan sumber .
  • Paket tidak berisi kode PTX kecuali untuk arsitektur CUDA® terbaru yang didukung; oleh karena itu, TensorFlow gagal memuat pada GPU lama saat CUDA_FORCE_PTX_JIT=1 disetel. (Lihat Kompatibilitas Aplikasi untuk detailnya.)

Persyaratan perangkat lunak

Perangkat lunak NVIDIA® berikut harus diinstal pada sistem Anda:

Pengaturan Linux

Instruksi apt bawah ini adalah cara termudah untuk menginstal perangkat lunak NVIDIA yang diperlukan di Ubuntu. Namun, jika mem-build TensorFlow dari sumber , instal persyaratan software yang tercantum di atas secara manual, dan pertimbangkan untuk menggunakan image Docker -devel TensorFlow sebagai basis.

Instal CUPTI yang disertakan dengan CUDA® Toolkit. Tambahkan direktori instalasinya ke variabel lingkungan $LD_LIBRARY_PATH :

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

Instal CUDA dengan apt

Bagian ini menunjukkan cara menginstal CUDA® 10 (TensorFlow> = 1.13.0) di Ubuntu 16.04 dan 18.04. Instruksi ini dapat berfungsi untuk distro berbasis Debian lainnya.

Ubuntu 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

Ubuntu 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

Pengaturan Windows

Lihat persyaratan perangkat keras dan persyaratan perangkat lunak yang tercantum di atas. Baca panduan penginstalan CUDA® untuk Windows .

Pastikan paket perangkat lunak NVIDIA yang diinstal cocok dengan versi yang tercantum di atas. Secara khusus, TensorFlow tidak akan dimuat tanpa file cuDNN64_8.dll . Untuk menggunakan versi yang berbeda, lihat panduan Windows build dari sumber .

Tambahkan direktori instalasi CUDA®, CUPTI, dan cuDNN ke variabel lingkungan %PATH% . Misalnya, jika CUDA® Toolkit diinstal ke C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0 dan cuDNN ke C:\tools\cuda , perbarui %PATH% agar sesuai:

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%