Tensorflow-GPU 사용하기

1. 아나콘다 최신버전 설치

 

2. cmd 관리자 권한 실행

    - activate base 입력

    - conda update conda

    - conda update anaconda

    - conda update python

    - conda update --all

    - conda create --name !@#!@# pyhthon=3.7 # "!@#!@#" ← 가상환경 이름

 

3. Software 호환 사항 점검(tensorflow-gpu==2.1.0 기준) # 여기 참고

    - NVIDA GPU driver 418.x 이상 버전 설치

    - Microsoft Visual C++ 2019 설치

    - Python v3.7

    - CUDA 10.1 설치 # 여기 참고

      (CUDA 설치 후, 설치 유무 확인 방법 → cmd에 아래 입력)

nvidia-smi

    - cuDNN 7.4 설치 # 여기 참고

      (압축 해제 후, 폴더 3개가 생성됨, 아래 폴더 위치에 붙여넣기)

      C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.2

    - GPU에 따른 CUDA Version 확인 방법 # 여기 참고

CUDA Wiki에서 스크롤 후 현재 GPU에 따른 Computecapability (version)확인

Compute Capa.에 따른 CUDA 지원 Version 확인 후 적합한 CUDA 설치 진행

cuDNN 압축 해제 후 폴더 3개

 

 

4.  tensorflow-gpu 설치

    - cmd 관리가 권한 실행 후 코드 입력

    - conda install tensorflow-gpu==2.1.0

    - 위 코드 입력 후 pip list 입력하여 base 환경 및 가상환경에 tensorflow, tensorflow-gpu v2.1.0 설치 확인

    - 설치되지 않았다면, pip install tensorflow==2.1.0 입력, pip install tensorflow-gpu==2.1.0 입력 후 pip list 확인

    - 위 절차 모두 확인후 Jupyter에서 import tensorflow as tf

        - tf.config.list_physical_devices('GPU') 입력

        - tf.test.is_gpu_available() 입력

 

5. package 설치

    - conda install -c conda-forge numpy

    - conda insatll -c conda-forge scikit-learn

    - conda insatll -c conda-forge pandas

    - conda insatll -c conda-forge matplotlib

 

6. TensorFlow가 GPU 인식하는지 확인하기

    - is_gpu_available() : 적어도 하나의 GPU라도 사용 가능한지 확인

    - gpu_device_name() : 첫 번째 GPU의 이름 반환

    - list_physical_devices : 사용 가능한 모든 GPU 장치 리스트 반환

 

7. TensorFlow-GPU 코드로 명령 실행

    - with tf.device('/GPU:0'): 입력한 후 계산하고자하는 코드 입력