Windows10にTensorFlow GPUとKerasをインストールする

PythonとKerasによるディープラーニングを買いました。

書籍内でUnixマシンが推奨されてますが、Windowsで環境構築を行いました。

2018/12/11時点の情報ですので、情報が古い可能性があります。

環境構築の前にTensorFlowのGPU supportのHardware requirementsと
Software requirementsの一読をおすすめします。

また、環境構築の手順はこちらのページが非常に参考になりました。

PC環境
手順

PC環境

Windows10 Home 64bit
GeForce GTX 1080
Anaconda 4.4.0 Python3.6 Version
Python3.6.7

手順

グラフィックボードの確認

グラフィックボードの種類を確認します。
こちらのフリーソフトを利用して確認しました。

CPU-Z | Softwares | CPUID

CPU-Z is a freeware that gathers information on some of the main devices of your system : Processor name and number, codename, process, package, cache ...

こちらのソフトを起動して、GraphicsタブのDisplay Device Selectionに
利用しているグラフィックボードの名前が表示されます。

TensorFlowで使用できるグラフィックボードはCompute Capability 3.5以上のものが必要です。

自分が使用しているグラフィックボードのCompute Capabilityは
CUDA GPUsで確認できます。

必要なソフトのインストール

GPUドライバーを最新のものに更新します。

Download the latest official NVIDIA drivers

仮想環境でTensorFlowとKerasを使用するので、Anacondaもインストールします。

Anaconda | Anaconda Distribution

Anaconda's open-source Distribution is the easiest way to perform Python/R data science and machine learning on a single machine.

CUDA ToolkitでVisual Studioの機能を利用しているようなので
Visual Studioも事前にインストールしておきます。
個人利用なのでVisual Studio Community2017をインストールしました。

https://docs.microsoft.com/ja-jp/visualstudio/install/install-visual-studio?view=vs-2017

CUDA Toolkitをインストールします。
最新版のバージョンは10.0ですが、TensorFlowは9.0対応なので
CUDA Toolkit9.0をインストールします。

9.0インストール後、patchも1から4までダウンロードしてインストールします。

CUDA Toolkit - Free Tools and Training

Get access to SDKs, trainings, and connect with developers.

CUDA9.0用のcuDNN 7.4をダウンロードします。
cuDNNのダウンロードには、NVIDIA Developer Programに登録する必要があります。

CUDA Deep Neural Network

cuDNN provides researchers and developers with high-performance GPU acceleration.

cuDNNのzipファイルを解凍し、出てきたcudaフォルダをC:\tools\に移動します。

コマンドプロンプトに以下のコマンドを入力して
環境変数のPathにフォルダを追加します。

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%

1 2	SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin;%PATH% SET PATH=C:\tools\cuda\bin;%PATH%

Pathが追加されているか、こちらの方法でシステム環境変数のPathを選択し
編集ボタンを押すと確認できます。

Anacondaで仮想環境の構築

TensorFlowはPython3.xでは3.4, 3.5, 3.6に対応しています。

Install TensorFlow with pip

今回はPython3.6.7で仮想環境を構築します。

Anaconda Promptを起動して、下記のコマンドを入力して仮想環境を作成します。
仮想環境の名前はkeras-deeplearningにしています。

conda create -n keras-deeplearning python=3.6

1	conda create -n keras-deeplearning python=3.6

作成した環境をactivateします。

activate keras-deeplearning

1	activate keras-deeplearning

tensorflow-gpuをpipでインストールします。

pip install tensorflow-gpu

1	pip install tensorflow-gpu

以下のPythonコードを実行してエラーがでなければインストール成功です。
コードを実行するとtensorflow-gpu最新バージョンの1.12.0が表示されます。

import tensorflow as tf

print(tf.__version__)

import tensorflow as tf

print(tf.__version__)

Kerasをpipでインストールします。

pip install keras

1	pip install keras

MNISTでKerasの動作確認

KerasのMNISTのサンプルコードを動かします。

https://github.com/keras-team/keras/blob/master/examples/mnist_cnn.py

初回はMNISTデータをダウンロードするので、数分かかります。
データダウンロード完了後、処理を実行します。
GPUを使用した処理時間は約1分ほどでした。

GPUとCPUの処理速度の比較

GPUを利用した処理時間が約1分ほどだったので、
CPUのみの処理時間と比較してみました。

Anacondaで別の仮想環境を作成します。
pip install tensorflowでCPUのみで処理を行うTensorFlowをインストールできます。

conda create -n keras-cpu-test python=3.6

activate keras-cpu-test

pip install tensorflow

pip install keras

conda create -n keras-cpu-test python=3.6

activate keras-cpu-test

pip install tensorflow

pip install keras

上記の仮想環境でMNISTのコードを実行したところ、処理時間は約15分でした。

GPUバージョンは、かなり処理速度が速いことが確認できました。