问题标签 [cudnn]

我对 pycharm 上的 tensorflow 有疑问。

每当我在 linux 终端中导入 tensorflow 时，它都能正常工作。但是，在 PyCharm 社区 2017.1 中，它显示：

ImportError：libcudnn.so.5：无法打开共享对象文件：没有这样的文件或目录

有关如何解决该问题的任何提示。

请注意，我使用的是 python 3.5.2、tensorflow 1.1.0、Cuda 8 和 CuDnn 5.1

编辑：打印 sys.path 时，我在 PyCharm 中得到了这个：

['/home/xxx/pycharm-community-2017.1.2/helpers/pydev', '/home/xxx/pycharm-community-2017.1.2/helpers/pydev', '/usr/lib/python35.zip', '/usr/lib/python3.5', '/usr/lib/python3.5/plat-x86_64-linux-gnu', '/usr/lib/python3.5/lib-dynload', '/usr/local /lib/python3.5/dist-packages'、'/usr/lib/python3/dist-packages'、'/usr/local/lib/python3.5/dist-packages/IPython/extensions'、'/home/ xxx/xxx/xxx']

这在终端： ['', '/usr/local/bin', '/usr/lib/python35.zip', '/usr/lib/python3.5', '/usr/lib/python3.5 /plat-x86_64-linux-gnu', '/usr/lib/python3.5/lib-dynload', '/usr/local/lib/python3.5/dist-packages', '/usr/lib/python3/ dist-packages', '/usr/local/lib/python3.5/dist-packages/IPython/extensions', '/home/xxx/.ipython']

我想将我的 nvidia 驱动程序从 375 更新到我的 linux mint 18.1 上的最新驱动程序，因为从挂起恢复后屏幕损坏。但我已经安装了 CUDA Toolkit 和 CUDNN。是否可以直接更新而没有问题，或者我必须重新安装所有内容？

Nvidia 用于深度学习的 cuDNN 有一种非常有趣的图像格式，称为 CHW。我有一个 cv::Mat img; 我想转换为浮点数的一维向量。我遇到的问题是 CHW 的一维向量的格式是（RR...R，GG..G，BB..B）。

所以我很好奇如何提取每个像素的通道值并为这种格式排序。

我正在尝试安装 caffe，我想知道是否可以将 cuDNN 与 AMD/OpenCL 一起使用。因为我的显卡是AMD

https://github.com/BVLC/caffe/tree/opencl

我正在尝试在 Nvidia GeForce GTX 960M 上安装 TensorFlow GPU。我已经安装了 CUDA 并添加了 PATH 变量：

然后我将 CUDNN 文件添加到各自的 'CUDA\v8.0\' 文件中。我没有添加任何新的路径变量，因为 bin 已经包含在上面。

当我尝试导入 tensorflow 时，我得到了 leingthy 错误：

我终其一生都无法弄清楚我哪里出错了。任何帮助将不胜感激。先感谢您！

例如，我们有 3 个通道（红、绿、蓝）的 RGB 图像。我们使用卷积神经网络。

对于图像的每个通道（R，G，B），每个卷积滤波器是否总是具有 3 个不同的系数？

1. 即filter-W1是否有3个不同的系数矩阵：W1[::0], W1[::1], W1[::2]如下图所示？

2. 还是在现代神经网络中的一个滤波器中经常使用相同的系数（W1[::0] = W1[::1] = W1[::2]）？

通过链接获取：http ://cs231n.github.io/convolutional-networks/

另外：http ://cs231n.github.io/convolutional-networks/#conv

卷积层

...

沿深度轴的连接程度始终等于输入体积的深度。再次强调我们如何处理空间维度（宽度和高度）和深度维度的这种不对称性很重要：连接在空间中是局部的（沿着宽度和高度），但总是沿着输入体积的整个深度充满。

• 视窗 7 x64
• Python 3.5.2
• CUDA 工具包 8.0.61
• 张量流包：tensorflow-gpu-1.2.0rc0
• cudnn 8.0（用于 CUDA 8.0 工具包）

测试：

结果：

我假设我的问题是“忽略具有 CUDA 计算能力 2.1 的可见 gpu 设备。所需的最低 Cuda 能力是 3.0。” 因此，我的硬件似乎仅限于 CUDA 2.1，但不清楚 3.0 的要求来自何处。是 CUDA 工具包还是 tensorflow 库？

因此，我在笔记本电脑上安装了适用于 Python 3.5 的 Tensorflow，这是一台托管 Nvidia Geforce Pascal GPU 的 Windows 机器。我还安装了 CUDA 并下载了 cuDNN 并将其添加到 PATH 变量中。我的 tensorflow 代码确实可以编译，但是如果我监控我的 GPU，我可以看到，它不会计算任何东西，而是我的 CPU 正在完成整个工作。我还在控制台中得到一个输出，确认检测到 GPU：

2017-06-02 15:22:22.140283: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.140600: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE2 instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.140899: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE3 instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.141108: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.1 instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.141321: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use SSE4.2 instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.141582: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.141803: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use AVX2 instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.142130: W c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\platform\cpu_feature_guard.cc:45] The TensorFlow library wasn't compiled to use FMA instructions, but these are available on your machine and could speed up CPU computations. 2017-06-02 15:22:22.561687: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:887] Found device 0 with properties: name: GeForce GTX 1070 major: 6 minor: 1 memoryClockRate (GHz) 1.645 pciBusID 0000:01:00.0 Total memory: 8.00GiB Free memory: 6.65GiB 2017-06-02 15:22:22.561949: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:908] DMA: 0 2017-06-02 15:22:22.562073: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:918] 0: Y 2017-06-02 15:22:22.562435: I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\core\common_runtime\gpu\gpu_device.cc:977] Creating TensorFlow device (/gpu:0) -> (device: 0, name: GeForce GTX 1070, pci bus id: 0000:01:00.0)

有人可以向我解释吗？

编辑：好的，看来，我没有看到用法足够准确。GPU 是实际使用的，但只是在小高峰。大部分工作仍然由 CPU 完成。我正在运行一个具有 3 个卷积层和 2 个全连接层的 CNN。但这不可能吧？] 1

我不想在我没有sudo权限的计算机上安装 cuDNN。对于我的 TensorFlow 模型，我不需要 cuDNN，因此我使用环境变量TF_USE_CUDNN=0。但是，我得到：

如何在没有 cuDNN 的情况下使用 TensorFlow？

规格 ：

我已经按照这里ln -s libcudnn.so.6.* libcudnn.so.5的建议创建了一个软链接。否则我得到一个错误，.ImportError: libcudnn.5: cannot open shared object file: No such file or directory

这是usr/local/cuda/lib64 我应该怎么做才能解决错误的快照？