Bagi pengguna kartu grafis lama, mungkin terasa sulit untuk menguji algoritme pembelajaran mesin secara lokal di komputer Anda. Selalu ada opsi seperti instans GPU AWS P3, namun akan sangat membantu jika Anda dapat menguji model Anda terlebih dahulu di komputer Anda sendiri — tidak peduli seberapa lambat pelatihan dengan kartu grafis lama.

Bagi orang-orang dengan “kartu grafis lama yang tidak mendukung CUDA Compute 3.5”, mungkin terasa sulit untuk menyiapkan TensorFlow dengan akselerasi GPU. Saya telah menyusun panduan ini untuk membantu orang-orang memulai.
Perhatikan bahwa ini hanya akan mendukung kartu grafis dengan CUDA Compute Capability 3.0, dan tidak lebih rendah dari itu.

Sebagai permulaan, berikut adalah spesifikasi yang saya kerjakan:
* Windows 10 64-bit
* NVIDIA GeForce 770
* CPU Intel i5–4570 (mendukung instruksi AVX2)
* Pengaturan default Anaconda

Setelah selesai, Anda akan memiliki penyiapan TensorFlow 1.8 yang mendukung GPU

Untuk memulainya, Anda perlu membuat akun di situs web NVIDIA Developers, lalu membuka arsip unduhan CUDA untuk CUDA 7.1. Di sini Anda perlu mengunduh penginstal dasar ( CUDA 9.1.85 ), dan 3 patch untuk itu

Setelah mengunduhnya, instal semuanya satu per satu dan mulai ulang komputer Anda.
Selanjutnya unduh cuDNN 7.1.3 dari unduhan Google Drive ini. NVIDIA tidak menawarkan pengunduhan untuk 7.1.3 di Windows, dan biner bawaan ini berfungsi dengan sempurna. Setelah menginstal, tempatkan setiap file dari arsip ke dalam folder yang sesuai di direktori instalasi CUDA Anda.

Misalnya, CUDA saya diinstal ke C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1
Kemudian Anda perlu menyalin bin/cudnn64_7.dll dari arsip ke dalam folder bin/ Anda.

Ulangi proses yang sama untuk include/cudnn.h dan lib/x64/cudnn.lib

Sekarang Anda harus mengunduh roda tensorflow bawaan yang mendukung GPU Komputasi 3.0. Anda dapat menemukannya di repo GitHub ini. Dari tabel di ReadMe kita dapat melihat bahwa karena kita menggunakan CUDA 9.1.85.3 dan cuDNN 7.1.3, kita harus menavigasi ke direktori 1.8.0\py36\GPU\di repo .

Bergantung pada apakah CPU Anda mendukung instruksi AVX2 atau tidak, Anda harus mengunduh file .whl di direktori 1.8.0/py36/GPU/cuda91cudnn71avx2, atau direktori 1.8.0/py36/GPU/cuda91cudnn71sse . Secara umum, semua CPU modern akan mendukung AVX2.

Setelah mengunduh file .whl yang relevan, kita perlu mengganti paket tensorflow di instalasi Anaconda dengan yang telah kita unduh. Buka prompt Anaconda, dan ketik

pip install --ignore-installed --upgrade tensorflow_gpu-1.8.0-cp36-cp36m-win_amd64.whl

Karena roda python ini menargetkan versi html5lib yang lebih lama, peningkatan tensorflow yang dipaksakan ini akan merusak pip. Untuk memperbaikinya, masukkan perintah berikut:

conda update -f html5lib

Ini akan membuat pip Anda berfungsi normal.

Dan Anda sudah siap!
Jika Anda melakukan semuanya dengan benar, Anda harus memiliki pengaturan Tensorflow yang mendukung GPU untuk menggunakan kartu grafis Compute 3.0.

Untuk menguji apakah pengaturan Anda berfungsi dengan benar, buat file python dengan kode berikut dan jalankan dari lingkungan conda Anda:

import tensorflow as tf
with tf.device('/gpu:0'):
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))
# Runs the op.
print(sess.run(c))

Perlu diperhatikan bahwa saat pertama kali Anda menjalankan sesi TensorFlow pada penyiapan baru, sesi TensorFlow harus membuat ulang beberapa kode terlebih dahulu untuk menargetkan instalasi driver spesifik Anda. Ini hanya terjadi pertama kali setelah menyiapkan tensorflow-gpu.

Dan Anda sudah selesai!