Win 11 安裝 AutoKeras 與本機端支援 GPU 運行

目前使用 AutoKeras 最方便快速的方式除了雲端的 Google Colaboratory 外，就是在本機端安裝 Jupyter Notebook 來跑簡單的機器學習的範例。

如果需要更快速的運算跟訓練模型，就需要充分利用本機端原本就有的 GPU ，當然有額外的錢外接一張eGPU也是不錯的選擇。

這篇文章主要是介紹安裝 AutoKeras 與本機端支援 GPU 運行的流程。

Step1. 安裝 Anaconda 來建置環境跑 AutoKeras

使用 Anaconda 的好處是他擁有豐富的套件包與良好的套件管理，在資源（硬碟）足夠的情況下，安裝它可以為我們省去很多套件相關的麻煩。

Anaconda 是一種 Python 語言的免費增值開源發行版，用於進行大規模數據處理, 預測分析, 和科學計算, 致力於簡化包的管理和部署。Anaconda 使用 軟體包管理系統 Conda 進行包管理。

Anaconda 個人版安裝連結　

Step2. 安裝 Nvidia CUDA Toolkit

要能在本機端支援 GPU 的運算，前提是你的顯卡有支援 CUDA 架構 3 .5 以上的版本。

下載並安裝 CUDA Toolkit

Step3. 安裝 cuDNN 函式庫

cuDNN 全名為：NVIDIACUDA®深度神經網絡庫 是用於 深度神經網絡 的GPU加速庫。 cuDNN為標準例程提供高度調整的實現，例如卷積，池化，規範化和激活層。而 cuDNN 同時也是 NVIDIA 深度學習SDK 的一部分。

全球深度學習研究人員和框架開發人員依靠 cuDNN 實現高性能 GPU 加速。它允許他們專注於訓練神經網絡和開發軟件應用程序，而不是花時間在低級 GPU 性能調適上。 cuDNN 加速了廣泛使用的深度學習框架，包括 Caffe2，MATLAB，Microsoft Cognitive Toolkit ， TensorFlow ， Theano 和 PyTorch 。

首先，前往 NVIDIA DEVELOPER 官網，點擊下載 cuDNN。

解壓縮檔案後會得到一個 CUDA 資料夾，分別含有 bin 、 include 、 lib 三個資料夾

將其內部的檔案，分別移至 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6 路徑下的對應資料夾中

例如： bin 裡面，需包含 cudnn64_8.dll

再分別將三個資料夾的檔案拖移至對應的位置後，將下列路徑加入環境變數中，以利將來調用

• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\CUPTI\lib64
• C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include
• C:\cuda\bin

打開控制台→系統及安全性→進階系統設定→進階→環境變數（或是直接在控制台中搜尋 PATH）
尋找「系統變數」中「Path」的部份並用左鍵雙擊，新增上面的變數

Step4. 測試 tensorflow GPU 是否有正常運行

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

如果你的輸出訊息有出現你的顯卡型號就表示可以正常運行了 !

Debug1. 如果會當機或者 kernal 會死掉，可以檢視下面的步驟

在最新版本 (cuDNN v8.3.1 (November 22nd, 2021), for CUDA 11.5) 會有此問題，

去官網下載 zlib 的package，然後將 zlibwpi.dll 這個檔案的資料夾設定進系統的環境變數。

就可以正常運行 GPU 了。

環境變數記得設定

Debug2. 如果你有安裝 tensorflow + tensorflow-gpu 可能會出問題

從 TensorFlow 2.1 開始，透過 pip 安裝 tensorflow 即同時包含 GPU 支援，無需通過特定的 pip tensorflow-gpu 安裝 GPU 版本。