Chainer est devenu dépendant de Cython et h5py depuis la version 1.5. La procédure d'installation sous Windows est décrite dans article du jour 2 (Installation de Chainer 1.5.0 sous Windows), mais tout le monde est plus Je voudrais ajouter quelques suppléments afin que vous puissiez facilement utiliser Chainer correctement sous Windows.
** Remarque: depuis le 10/12/2015, Chainer (v1.5.1) ne prend pas officiellement en charge Windows. ** Si vous clonez et exécutez nosetest, vous pouvez voir la réalité que diverses fonctions ne fonctionnent pas réellement ...
--Préparation pour Windows --Préparez un environnement Windows 64 bits et un nouveau GPU NVIDIA (option: si vous souhaitez utiliser CUDA) --Préparation de Python -Installer Anaconda --Préparation du compilateur -Installez Compilateur Microsoft Visual C ++ pour Python 2.7 (si vous souhaitez utiliser Python2) -Installer Visual Studio Community 2013 (si vous souhaitez utiliser CUDA, Python3.4) -Installer Visual Studio Community 2015 (si vous souhaitez utiliser Python3.5) --Préparation de CUDA (facultatif) -Installer CUDA Toolkit (7.5 est inclus dans cet article) -Installer cuDNN (facultatif)
pip install chainerpython -c "import chainer" Test de la chaîne
--python -c "import cupy" Test CUDA (optionnel)
--python -c "import cupy.cudnn" test cuDNN (facultatif)Premièrement, CUDA ne prend en charge que 7,0 à 64 bits. Si vous souhaitez utiliser l'environnement Chainer + CUDA, veuillez utiliser la ** version Python 64 bits **. Si vous n'avez que le processeur, c'est bien. H5py, qui est devenu un package dépendant de Chainer 1.5, est un peu difficile à installer sur Python 64 bits. Compte tenu de diverses autres circonstances, il est préférable d'utiliser la version 64 bits de Python 2.7 de ** Anaconda **. Python 2.7 et 3.4 peuvent être utilisés, veuillez donc choisir en fonction de vos préférences (3.5 n'est pas confirmé par l'auteur).
Si vous voulez utiliser Python standard, il semble y avoir un moyen d'utiliser le paquet distribué sur ici. En particulier, dans le cas d'un environnement ** 64 bits et non-Anaconda, assurez-vous d'installer h5py ** avant d'installer Chainer.
L'opération de chaînage sur cygwin n'a pas encore été confirmée ...
Ceux qui veulent s'amuser à préparer le compilateur peuvent être un peu contents du système Python 2 ...
Pour Python 2.7, veuillez installer le Compilateur Microsoft Visual C ++ pour Python 2.7. Python trouve ce compilateur dans le registre, vous n'avez donc pas besoin de définir des variables d'environnement, etc.
La version requise de Visual Studio diffère selon la version de la série Python 3. Toutefois, si vous avez installé un nouveau Visual Studio, vous pouvez contourner cette spécification en définissant des variables d'environnement. Ici, préparez le même en tenant compte du problème lors de l'installation de CUDA. Le compilateur disponible pour les deux est Visual Studio Community 2013. Les sites Microsoft changent d'adresse de temps en temps, alors recherchez les liens rompus (ou ayez un compilateur approprié).
Si vous incluez VS2013 Community, vous devez définir des variables d'environnement. Exécutez set VS100COMNTOOLS =% VS120COMNTOOLS% à chaque fois avant pip install, ou définissez la variable d'environnement.
Communauté Visual Studio 2015 est. Installez-le et vous êtes prêt à partir.
Vous avez besoin d'un compilateur Visual Studio. S'il est trop récent, le compilateur nvcc de CUDA ne fonctionnera pas correctement, veuillez donc vous référer au manuel et utiliser la version appropriée. Dans cet article, nous supposerons que vous utilisez CUDA 7.5.
Veuillez installer Visual Studio Community 2013 comme dans Python 3.4.
Ajoutez C: \ Program Files (x86) \ Microsoft Visual Studio 12.0 \ VC \ bin à la variable d'environnement PATH.
C'est un gaspillage de ne pas utiliser CUDA parce que vous utilisez Chainer. Téléchargez et installez le CUDA Toolkit à partir du site NVIDIA.
cuDNN est une bibliothèque qui peut effectuer les calculs nécessaires pour NN à grande vitesse et avec une faible mémoire. Installons-le. Vous pourrez le télécharger dans quelques jours après votre inscription en tant qu'utilisateur sur cuDNN. Si vous souhaitez utiliser Chainer maintenant, ignorez cette étape. Veuillez noter que vous devrez réinstaller Chainer ** après avoir installé cuDNN ** (pip install chainer après pip unisntall chainer).
Si vous avez correctement téléchargé cuDNN, remplacez le fichier extrait par C: \ Program Files \ NVIDIA GPU Computing Toolkit \ CUDA \ v7.5. Pour cuDNNv3, cudnn64_70.dll est dans le dossier CUDA \ v7.5 \ bin, cudnn.h est dans le dossier CUDA \ v7.5 \ include et cudnn.lib est dans le CUDA \ v7. Ce n'est pas grave si c'est dans 5 \ lib \ x64.
Lancez la ligne de commande et vérifiez si la commande nvcc peut être utilisée.
Maintenant, installons Chainer.
pip install chainer
Si vous ne pouvez pas installer ou si divers modules ne peuvent pas être installés correctement, veuillez utiliser la commande ci-dessous.
pip install -U chainer -vvvv
De plus, si cython, pip et setuptools sont anciens, des boucles infinies ont été confirmées. Essayez de mettre à jour ces bibliothèques vers la dernière version.
Exécutez la commande suivante et vérifiez si l'importation peut être effectuée sans aucune erreur.
--python -c "import chainer" Test de la chaîne
--python -c "import cupy" Test CUDA (optionnel)
--python -c "import cupy.cudnn" test cuDNN (facultatif)
Si l'importation de Cupy échoue, essayez à nouveau le test suivant.
-- nvcc Teste si nvcc peut être exécuté
Si vous voulez vérifier si l'installation est correcte, exécutez plusieurs fois pip uninstall chainer jusqu'à ce que le chainer disparaisse, puis
Veuillez installer avec pip install --no-cache -vvvv chainer avec le cache désactivé et l'affichage de débogage activé.
S'il y a un problème avec l'installation, vous devriez voir un journal des erreurs.
** chainer-cuda-deps n'est plus nécessaire. Veuillez ne pas installer. ** **
Recommended Posts