这里写自定义目录标题

写在前面第一步 建立一个python环境第二步 检查显卡驱动第三步 安装CUDA第四步 cuDNN下载第五步 看看tensorflow

写在前面

为了参加一个人工智能的比赛，我决定从零开始搭建一个能用GPU训练的人工智能环境，之前也搭建过，但是时间长了很多细节都忘了，也不好用了，所以决定重新来一个。

操作系统是Win11，显卡是3080，我记得显卡驱动、CUDA版本、CUDNN版本、Tensoflow版本都要对应，麻烦的一批。

先来一句FUCK YOU NVIDIA！

预期安装的各个工具版本：

tensorflow==2.10

CUDA==11.2

cuDNN==8.1

第一步 建立一个python环境

听说tensorflow 2.12版本往后在windows上不再支持GPU加速了，即便装上GPU也不好使，那还是安装老版本吧，安装一个2.10版本的tensorflow，在python3.8版本

先进conda，创建一个环境<code>conda create --name tf2.10_env python=3.8

使用环境conda activate tf2.10_env，然后安装tensorflow2.10：pip install tensorflow==2.10

conda之前配置过清华还是阿里的镜像，但是家里网络有点抽风下载的很慢，出去遛完娃回家以后装好的。

第二步 检查显卡驱动

首先我的显卡是GeForce RTX 3080，计算能力86，这个可以从英伟达开发者网站上看到

然后看一下自己显卡当前的驱动版本，右键桌面空白处打开NIVDIA控制面板，在帮助->系统信息里可以看到如下信息：

那就是说，我的驱动程序版本是545.84，然后干什么呢，看看这个驱动程序跟CUDA、cuDNN的版本是不是兼容，从NVIDIA官网上可以看到一个对应关系表，往下拉看Table 2：

所以说，我的驱动版本是足够的，装CUDA 11.2.X应该没有问题，那就装CUDA。

第三步 安装CUDA

首先可以看看自己能装的最高版本的CUDA是多少，cmd命令行窗口执行<code>nvidia-smi，会出现下面的信息表，这里的CUDA Version：12.3就表示能安装的最高版本CUDA是12.3，这个是向下兼容的，所以我装11.2应当没问题

直接在NVIDIA开发者网站找到下载，通过修改URL中的版本号就可以找到对应的CUDA Toolkit下载页面

但是！这个地方就可能出现了问题，我是Win 11的操作系统，但是没有Win 11的对应下载，只对应到Win 10，所以我就下Win 10，如果后面除了问题，很有可能就是这里的坑。你问我为什么不下载高版本的CUDA，因为文章里说tensorflow2.10往后的版本装在windows上也检测不到gpu，所以参照tensorflow与CUDA对应表看一眼，tensorflow 2.10对应CUDA就是11.2，所以先怂一波

选离线下载，2.9G，迅雷启动！

下载完了以后，参考前人经验来一波安装

第一个路径用默认的可以，这是一个临时的解压路径，解压完了就会删掉，如果这个地方选择了自己心仪的目录，它也会给删掉，我们在后面设置安装路径就好了

然后点OK，就出问题了

那应该是我之前的CUDA没删干净，打开控制面板，继续卸载，我之前只把带着11.6（我之前的版本）的东西删掉了，看样子没有阉干净，拖出去再阉！

又删掉了这几个

然后就可以了

程序员必须自定义

大佬笔记里说如果是第N次安装，只装CUDA就好，不然会出错，显然我是这种情形，那就只装CUDA

然后这里要设置三个安装位置，我在我的电脑建了三个文件夹，分别安装三个组件，但是大佬笔记里说不建议修改这里的路径，说后期开发报错很多来源于路径问题，我不信邪，硬改

行，你让我装我就装咯

好了，这就装完了，然后配置环境变量，这四个环境变量是自动生成的，那就不需要管了

cmd执行<code>nvcc -V，显示信息就是安装成功

第四步 cuDNN下载

参照最开始的表格，从这个网站里找到对应版本的cuDNN版本，下个新一点的吧

展开选择Windows版本

然后这个东西需要由NVIDIA的账号才能下载，如果没有就注册一个，有就直接登录，我因为太久不登录了，会往邮箱里发验证邮件，登录完了以后接受协议

如果页面跳转失败，回到一开始的页面再次找到cuDNN下载就行了，迅雷再次启动！

cuDNN下载完以后是一个压缩包，先解压缩

解压完了以后会得到三个文件夹

把这3个文件夹直接复制到CUDA的Development目录（这个目录是我自己定义的，所以不带有版本号）下即可

然后把bin, include, lib, libnvvp四个文件夹添加到Path环境变量中

然后就可以验证cuDNN是不是装好了，方法是进入到CUDA安装目录的<code>\extras\demo_suite目录（我的路径是F:\Softwares\CUDA\Development\extras\demo_suite），打开cmd，然后分别执行bandwidthTest.exe和deviceQuery.exe

显示两个PASS就没问题了

第五步 看看tensorflow

回到conda界面，输入<code>python进入python交互窗口，输入下面的代码：

import tensorflow as tf

print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))

输出是

意思是tensorflow检测到了GPU，噢耶！

因为我要做一个图像识别的任务，所以需要安装一个库

<code>pip install pillow opencv-python

然后跑一下代码看看效果

import os

import cv2

from datetime import datetime

import numpy as np

import tensorflow as tf

from tensorflow.keras.preprocessing.image import load_img, img_to_array

from tensorflow.keras import layers, models

LABEL_ID_OBJECT_MAPPING = {

"0": "bus",

"1": "traffic_light",

"2": "traffic_sign",

"3": "person",

"4": "bike",

"5": "truck",

"6": "motor",

"7": "car",

"8": "rider"

}

# 定义类别标签和颜色对应关系

# LABEL_COLORS = {

# 'bus': (255, 0, 0), # 红色

# 'traffic_light': (0, 255, 0), # 绿色

# 'traffic_sign': (0, 0, 255), # 蓝色

# 'person': (255, 255, 0), # 黄色

# 'bike': (0, 255, 255), # 青色

# 'truck': (255, 0, 255), # 品红

# 'motor': (255, 165, 0), # 橙色

# 'car': (128, 0, 128), # 紫色

# 'rider': (255, 192, 203) # 粉红

# }

LABEL_COLORS = {

'0': (255, 0, 0), # 红色

'1': (0, 255, 0), # 绿色

'2': (0, 0, 255), # 蓝色

'3': (255, 255, 0), # 黄色

'4': (0, 255, 255), # 青色

'5': (255, 0, 255), # 品红

'6': (255, 165, 0), # 橙色

'7': (128, 0, 128), # 紫色

'8': (255, 192, 203) # 粉红

}

label_map = { label: idx for idx, label in enumerate(LABEL_COLORS.keys())}

def load_annotations(file_path):

annotations = []

with open(file_path, 'r') as file:

for line in file.readlines():

label, x1, y1, x2, y2 = line.strip().split()

x1, y1, x2, y2 = map(int, [x1, y1, x2, y2])

label_idx = label_map[label]

annotations.append((label_idx, x1, y1, x2, y2))

return annotations

def load_dataset(image_dir, annotation_dir):

images = []

boxes = []

for image_name in os.listdir(image_dir):

image_path = os.path.join(image_dir, image_name)

annotation_path = os.path.join(annotation_dir, image_name.replace('.jpg', '.txt'))

image = load_img(image_path, target_size=None) # 不进行缩放

image = img_to_array(image)

image = image / 255.0

annotation = load_annotations(annotation_path)

images.append(image)

boxes.append(annotation)

return np.array(images), boxes

def create_model():

inputs = tf.keras.Input(shape=(720, 1280, 3))

x = layers.Conv2D(16, (3, 3), activation='relu')(inputs)code>

x = layers.MaxPooling2D((2, 2))(x)

x = layers.Conv2D(32, (3, 3), activation='relu')(x)code>

x = layers.MaxPooling2D((2, 2))(x)

x = layers.Conv2D(64, (3, 3), activation='relu')(x)code>

x = layers.MaxPooling2D((2, 2))(x)

x = layers.Conv2D(128, (3, 3), activation='relu')(x)code>

x = layers.MaxPooling2D((2, 2))(x)

x = layers.Flatten()(x)

x = layers.Dense(256, activation='relu')(x)code>

# 分类头

class_output = layers.Dense(len(LABEL_COLORS), activation='softmax', name='class_output')(x)code>

# 回归头

bbox_output = layers.Dense(4, name='bbox_output')(x)code>

model = models.Model(inputs=inputs, outputs=[class_output, bbox_output])

return model

def data_generator(images, boxes, batch_size):

while True:

for i in range(0, len(images), batch_size):

batch_images = images[i:i + batch_size]

batch_boxes = boxes[i:i + batch_size]

batch_class_labels = []

batch_bbox_labels = []

for annotations in batch_boxes:

class_labels = []

bbox_labels = []

for label, x1, y1, x2, y2 in annotations:

class_labels.append(label)

bbox_labels.append([x1, y1, x2, y2])

# 如果一个图像中有多个物体，取第一个物体的标签和坐标（简单示例，不适用于复杂情况）

batch_class_labels.append(class_labels[0])

batch_bbox_labels.append(bbox_labels[0])

yield np.array(batch_images), { 'class_output': np.array(batch_class_labels),

'bbox_output': np.array(batch_bbox_labels)}

if __name__ == '__main__':

# 加载数据

image_dir = 'dataset/images'

annotation_dir = 'dataset/annotations'

images, boxes = load_dataset(image_dir, annotation_dir)

# 建立模型

model = create_model()

model.compile(optimizer='adam', loss={ 'class_output': 'sparse_categorical_crossentropy', 'bbox_output': 'mse'})code>

# 数据生成器

batch_size = 8 # 由于图像尺寸较大，减小批量大小以适应内存

train_gen = data_generator(images, boxes, batch_size)

# 训练模型

epochs = 10

steps_per_epoch = len(images) // batch_size

model.fit(train_gen, steps_per_epoch=steps_per_epoch, epochs=epochs)

# 保存模型

model_name = datetime.now().strftime("%Y-%m-%d %H:%M:%S").replace(" ", "-").replace(":", "-")

model.save(f"model/{ model_name}")

任务管理器启动，看到GPU百分比上来了，训练速度快了不止一点，我爽了！

就到这里吧，我要通宵训练了，拜拜！