訓(xùn)練的時(shí)候當(dāng)然用gpu，速度快呀。
我想用cpu版的tensorflow跑一下，結(jié)果報(bào)錯(cuò)，這個(gè)錯(cuò)誤不太容易看懂。
大概意思是沒(méi)找到一些節(jié)點(diǎn)。
后來(lái)發(fā)現(xiàn)原因，用gpu和cpu保存的pb模型不太一樣，但是checkpoints文件是通用的。
使用tensorflow-cpu再把checkpoints文件重新轉(zhuǎn)換一下pb文件就可以了。
完美解決！
補(bǔ)充：tensflow-gpu版的無(wú)數(shù)坑坑坑?。╰f坑大總結(jié)）
自己的小本本，之前預(yù)裝有的pycharm+win10+anaconda3+python3的環(huán)境
2019/3/24重新安裝發(fā)現(xiàn)：目前CUDA10.1安裝不了tensorflow1.13，把CUDA改為10.0即可（記得對(duì)應(yīng)的cudann呀）
如果剛?cè)肟?，建議先用tensorflw學(xué)會(huì)先跑幾個(gè)demo，等什么時(shí)候接受不了cpu這烏龜般的速度之時(shí)，就要開(kāi)始嘗試讓gpu來(lái)跑了。
cpu跑tensorflow只需要在anaconda3下載。
安裝cpu跑的tensorflow:
我的小本本目前已經(jīng)是gpu版本，cpu版本下紅圈里那個(gè)版本就好了！
安裝好了后直接在python命令中輸入
如果不報(bào)錯(cuò)說(shuō)明調(diào)用成功。
查看目前tensorflow調(diào)用的是cpu還是gpu運(yùn)行：
import tensorflow as tf
import numpy as np
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))
然后把這段代碼粘貼到編譯器中運(yùn)行，
看一下運(yùn)行的結(jié)果中，調(diào)用運(yùn)行的是什么
看給出的是gpu還是cpu就能判斷目前運(yùn)行的是哪一個(gè)了
安裝gpu版本的tensorflow:
首先第一步要確定你的顯卡是否為N卡，
然后上https://developer.nvidia.com/cuda-gpus去看看你的顯卡是否被NVDIA允許跑機(jī)器學(xué)習(xí)
對(duì)于CUDA與cudann的安裝：
需要到nvdia下載CUDA與cudann，這里最重要的是注意CUDA與cudann與tensorflow三者的搭配，
注意版本的搭配！??！
注意版本的搭配?。?！
注意版本的搭配！?。?/strong>
tensorflow在1.5版本以后才支持9.0以上的CUDA，所以如果CUDA版本過(guò)高，會(huì)造成找不到文件的錯(cuò)誤。
在官網(wǎng)也可以看到CUDA搭配的cudann
在安裝完了cudann時(shí)，需要把其三個(gè)文件復(fù)制到CUDA的目錄下，并且添加3個(gè)新的path：
3個(gè)path，
當(dāng)使用gpu版的tf時(shí)，就不再需要安裝原來(lái)版本的tf，卸載了就好，安裝tf-gpu版，
判斷自己是否有安裝tf包，對(duì)于pycharm用戶，可以在setting那看看是否安裝了tf-gpu
我使用的環(huán)境為：tf1.2+CUDA8.0+cudann5.1
當(dāng)全部正確安裝時(shí)
import tensorflow as tf 仍然出錯(cuò)
cudnn64_6.dll問(wèn)題
關(guān)于導(dǎo)入TensorFlow找不到cudnn64_6.dll，其實(shí)下載的的是cudnn64_7.dll（版本不符合），把其修改過(guò)來(lái)就行了。
目錄是在：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin下
對(duì)于不斷嘗試扔失敗運(yùn)行GPU版本，可以把tf先刪除了重新下
import tensorflow as tf
print(tf.__version__)
查詢tensorflow安裝路徑為:
成功用GPU運(yùn)行但運(yùn)行自己的代碼仍然報(bào)錯(cuò)：
如果報(bào)錯(cuò)原因是這個(gè)
ResourceExhaustedError (see above for traceback): OOM when allocating tensor with shape[10000,28,28,32]
最后關(guān)于這個(gè)報(bào)錯(cuò)是因?yàn)镚PU的顯存不夠，此時(shí)你可以看看你的代碼，是訓(xùn)練集加載過(guò)多還是測(cè)試集加載過(guò)多，將它一次只加載一部分即可。
對(duì)于訓(xùn)練集banch_xs,banch_ys = mnist.train.next_batch(1000) 改為
banch_xs,banch_ys = mnist.train.next_batch(100)即可，
而測(cè)試集呢print(compute_accuracy(mnist.test.images[:5000], mnist.test.labels[:5000])) 改為
print(compute_accuracy(mnist.test.images, mnist.test.labels))即可
以上為個(gè)人經(jīng)驗(yàn)，希望能給大家一個(gè)參考，也希望大家多多支持腳本之家。如有錯(cuò)誤或未考慮完全的地方，望不吝賜教。
您可能感興趣的文章:- 基于Tensorflow使用CPU而不用GPU問(wèn)題的解決
- tensorflow-gpu安裝的常見(jiàn)問(wèn)題及解決方案
- 運(yùn)行tensorflow python程序,限制對(duì)GPU和CPU的占用操作
- 解決TensorFlow程序無(wú)限制占用GPU的方法
