如何检查keras/tensorflow是否使用cuDNN？

我已经安装了CUDA和cuDNN，但最后一个不起作用，在theano中给出了很多错误消息。现在我正在Keras/Tensorflow中训练中等大小的deep conv网络，没有收到任何cuDNN错误消息。如何检查cuDNN是否正在使用

tl；dr:如果tensorflow gpu工作，则使用CuDNN

TensorFlow的预构建二进制文件（至少从1.3版开始）链接到CuDNN库。如果CuDNN丢失，则会出现一条错误消息，告诉您

ImportError:找不到'cudnn64_7.dll'。TensorFlow要求安装此DLL…

根据，必须安装CuDNN以支持GPU，即使您是从源代码构建它。对于CuDNN不可用的情况，TensorFlow代码中仍然有很多回退——据我所知，它在以前的版本中是可选的

为了使用GPU（和CuDNN），需要安装TensorFlow的特殊GPU版本。确保安装的python包是

tensorflow gpu

，而不仅仅是

tensorflow

您可以使用

conda list tensorflow

列出包含“tensorflow”的包（或者如果不使用anaconda，则只列出

pip list

），但请确保激活了正确的环境

当您在GPU支持下运行脚本时，它们将如下启动：

Using TensorFlow backend.

2018- ... C:\tf_jenkins\...\gpu\gpu_device.cc:1105] Found device 0 with properties:
name: GeForce GTX 1080 major: 6 minor: 1 memoryClockRate(GHz): 1.7845

要测试它，只需在控制台中键入：

import tensorflow as tf
tf.Session()

要检查是否从python环境中“看到”CuDNN，并验证正确的PATH变量，可以尝试以下操作：

import ctypes
ctypes.WinDLL("cudnn64_7.dll") # use the file name of your cudnn version here.

---

您可能还想查看GPU优化的Keras层

• CuDNNLSTM
• 库德宁格鲁

它们的速度要快得多：

---

我们看到从LSTM到CuDNNLSTM Keras层的性能提高了10倍

注:

---

我们还看到机器上虚拟内存的使用量增加了10倍。所以有一些权衡要考虑。

是的，我有TysFraceGPU，它使用的是GPU。我的问题取决于cuDNN的具体用法。据我所知，GPU的使用可以独立于cuDNN，因为它只是一个GPU加速库，具有用于GPU使用的改进库，对吗？@hirschme即使您从源代码构建tensorflow，您也必须指定cuDNN，因此在当前版本中，您无法在没有它的情况下构建它。看起来它与tensorflow的早期版本有所不同，但我指的是当前版本，即1.5。@hirschme我在回答中添加了更多信息，解释了为什么我认为tensorflow gpu目前在没有CuDNN的情况下无法工作。如果您仍有疑问，可以尝试添加一个Conv2D层，因为TensorFlow显式地捕捉到了一个错误：如果您在回答中包含比较以证明更快的声明，那会更好。我们看到从LSTM到CuDNNLSTM Keras层有10倍的改进。@lolbas不需要。众所周知，CuDNN实现比基于循环的实现快3-10倍。