Win10+RTX2080深度学习环境搭建：tensorflow、mxnet、pytorch、caffe

• 安装 VS2015 ，到官网地址 older-download 下载安装
• 安装 Matlab ，笔者安装的是Matlab2017b
• 安装 Anaconda3-4.4.0-Windows-x86_64.exe （到 anaconda archive 下载），笔者曾下载并安装了最新版的Anaconda3-2018.12-Windows-x86_64.exe，在使用conda安装包时发生SSLError错误，据 github issue 所说是最新版win10和最新版anaconda有冲突，4.4版本没有这个问题，4.4对应的 python版本为3.6
• 安装 CUDA 10.0 ，到 cuda-toolkit-archive 根据自己的平台下载安装，安装好后可以看到环境变量多了CUDA_PATH、CUDA_PATH_10_0等，以及path中也多了bin和libnvvp路径
• 安装 CUDNN 7.4 ，到 cudnn-archive 根据CUDA版本下载安装，下载下来后将其中的所有文件（bin、include、lib文件夹）拷贝到cuda的目录，合并对应的文件夹

设置conda国内镜像源

为conda设置 国内镜像源 ，默认国外的镜像源会比较慢。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --set show_channel_urls yes

这时目录”C:\Users\用户名”下的.condarc文件内容变为

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
show_channel_urls: true

如果有default可以删除。

conda 深度学习环境

# 创建conda环境
conda create -n py36DL python=3.6
# 更新pip
pip install --upgrade pip
# 若报错
easy_install pip
# 激活环境
activate py36DL
# 安装ipython，后面用于测试库是否安装成功
conda install ipython

tensorflow、mxnet、pytorch安装

注意：下面的所有安装都是在激活了的py36DL环境中进行的。

tensorflow

笔者通过 官网 、通过conda、通过豆瓣镜像源安装tensorflow在import时都会失败，报“ImportError: DLL load failed: 找不到指定的模块”的错误，最终成功的安装方式如下：

到 fo40225/tensorflow-windows-wheel 找到对应的版本下载whl，笔者下载的是 tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl 的avx2版本（有两个压缩包，解压出whl文件），如果安装不成功的话可以试试sse2版本，这里神奇的地方是该whl文件应该是在cuda100cudnn73avx2下编译的，但是我的环境是cuda100和cudnn74，竟然也是可以安装成功的， 笔者久经磨难，喜极而泣 。

下载下来后通过pip安装

# 切换到whl目录
pip install tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl

# 进入ipython验证
import tensorflow as tf
tf.VERSION
# '1.12.0'

mxnet

mxnet安装比较简单，这里直接通过豆瓣镜像源用pip安装。

pip install -i https://pypi.doubanio.com/simple/ mxnet-cu100

# 进入ipython验证
import mxnet
mxnet.__version__
# '1.3.1'

mxnet的 官网 显示支持到cu92，实际已经有了cu100版本。

pytorch

pytorch的安装也很简单，在 官网 ，选择pip、 Python 3.6、CUDA10.0，显示

pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp36-cp36m-win_amd64.whl
pip3 install torchvision

这里先把链接 https://download.pytorch.org/whl/cu100/torch-1.0.0-cp36-cp36m-win_amd64.whl拷贝到IDM下载whl文件，然后离线安装

# 切换到whl路径
pip install torch-1.0.0-cp36-cp36m-win_amd64.whl
pip install torchvision

#进入ipython验证
import torch
torch.__version
# '1.0.0'

Caffe安装

笔者使用的是 happynear/caffe-windows 版本的caffe，下载解压，同时下载第三方库拷贝到项目windows/thirdparty/文件夹，Copy .\windows\CommonSettings.props.example to .\windows\CommonSettings.props，打开Caffe.sln，根据github上的README修改配置文件.\windows\CommonSettings.props，编译成功后再参考README配置python和matlab， 注意使用时需要将thirdparty/bin目录添加到path环境变量，否则运行时会报错 。

修改环境变量后以管理员运行CMD，运行

echo %path%

立即生效，不用重启系统。

配置文件修改

主要修改项如下：

• UseCuDNN ：true
• CudaVersion ：10.0
• PythonSupport ：true
• MatlabSupport ：true
• CudaArchitecture ：compute_50,sm_50;compute_52,sm_52;compute_60,sm_60;compute_61,sm_61;compute_70,sm_70;compute_75,sm_75;
• CuDnnPath ：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDNN-100。需替换为你的cudnn7.4的路径
• PythonDir ：D:\Anaconda3\envs\py36DL\。替换为你的python路径
• MatlabDir ：D:\Program Files\MATLAB\R2017b\。替换为你的matlab路径

根据 wiki ，RTX2080的Compute capability (version)为7.5，目前只有CUDA10.0支持7.5，因此CudaArchitecture中如果加入compute_75,sm_75;的话需要CUDA为10.0，否则会报错。如果装的是CUDA9.2，在不加compute_75,sm_75;的情况下也是可以编译成功的。

编译时常见错误

• 将警告视为错误

  在报错的工程上右键，选择 属性→C/C++→将警告视为错误，改为否，生成项目。要是某个项目文件报这个错的话，也可以在相应文件上右键，进行同样操作。

• The Windows SDK version 10.0.10586.0 was not found

  在报错的工程上右键，选择 重定SDK版本目标，选择 目标平台版本（默认就一项 8.1），点击确定，生成项目。

运行时错误

• Check failed: error == cudaSuccess (74 vs. 0) misaligned address

  根据 cuDNN bug in Caffe with “group” in conv layer (misaligned address) #5729 ，在 cudnn_conv_layer.cpp 文件 void CuDNNConvolutionLayer<Dtype>::Reshape 函数 size_t total_max_workspace = ... 代码前加入对齐代码如下

size_t m=32;
max_workspace = (max_workspace + m-1) / m * m; //align address to be multiples of m

for (int g = 0; g < (this->group_ * CUDNN_STREAMS_PER_GROUP); g++) {
  workspace[g] = reinterpret_cast<char *>(workspaceData)+g*max_workspace;
}