Para acelerar significativamente el rendimiento de TensorFlow en tareas de aprendizaje automático y aprendizaje profundo, se recomienda encarecidamente utilizar la GPU. Este tutorial detalla el proceso de configuración de TensorFlow con soporte para GPU en un entorno Windows 10.

Requisitos del Sistema y Versiones

• Sistema Operativo: Windows 10
• Configuración Específica: TensorFlow 1.12, CUDA Toolkit 9.0, y cuDNN v7.1 para CUDA 9.0.
• GPU Compatible: NVIDIA GeForce MX150 (o similar).
• Entorno de Software: Anaconda (se recomienda para la gestión de paquetes y entornos).

Nota Importante: Las versiones más recientes de TensorFlow (como la 1.13 y posteriores) pueden requerir versiones diferentes de CUDA. Si experimenta problemas, verifique la compatibiildad de versiones entre TensorFlow, CUDA y cuDNN. La versión 1.13, por ejemplo, podría ser compatible con CUDA 10.

Pasos de Instalación

1. Instalación de CUDA y cuDNN

La compatibilidad entre las versiones de CUDA y cuDNN es crucial para evitar errores. Se proporcionan enlaces para descargar las versiones específicas requeridas (CUDA 9.0 y cuDNN v7.1).

Verificación de Compatibilidad de GPU con CUDA

Antes de proceder, asegúrese de que su tarjeta gráfica NVIDIA sea compatible con CUDA. Puede consultar la lista de GPUs compatibles en el sitio web oficial de NVIDIA.

Instalación de CUDA Toolkit

Siga las guías detalladas de instalación de CUDA Toolkit proporcionadas por NVIDIA. Asegúrese de instalar la versión 9.0.

Instalación de cuDNN

1. Descargue la biblioteca cuDNN v7.1 desde el sitio web oficial de NVIDIA. Asegúrese de que la versión descargada sea compatible con CUDA 9.0.
2. Extraiga el contenido del archivo ZIP de cuDNN.
3. Copie los archivos de las carpetas bin, include y lib de cuDNN en los directorios correspondientes dentro de la instalación de CUDA 9.0. La ruta de instalación predeterminada de CUDA es: ``` C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\

4. Configuración de Variables de Entorno: Agregue las siguientes rutas a sus variables de entorno del sistema (PATH): ``` C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\

2. Creación de un Entorno Virtual con Anaconda

Se recomienda encarecidamente crear un entorno virtual nuevo para evitar conflictos de dependencias con otros paquetes instalados.

1. Abra el Anaconda Prompt.
2. Cree un nuevo entorno virtual llamado tensorflow-gpu con Python 3.6.1: ``` conda create --name tensorflow-gpu python=3.6.1

3. Active el entorno virtual recién creado: ``` activate tensorflow-gpu

3. Instalación de TensorFlow-GPU

Una vez dentro del entorno virtual activado, puede instalar TensorFlow con soporte para GPU.

1. Instalación vía pip: ``` pip install --upgrade tensorflow-gpu

2. Instalación offline (si descarga el archivo .whl): Navegue hasta el directorio donde descargó el archivo .whl de tensorflow-gpu y ejecute: ``` pip install ruta\a\tu\archivo\tensorflow_gpu-xxxx.whl

4. Verificación de la Instalación

Compruebe si TensorFlow se ha instalado correctamente y puede acceder a la GPU.

1. Inicie el intérprete de Python en su entorno activado: ``` python

2. Importe TensorFlow. Si no se producen errores, la instalación básica es exitosa: ``` import tensorflow as tf

3. Ejecute un script simple para verificar la ejecución con la GPU: ``` import tensorflow as tf tf.enable_eager_execution()

   tensor_a = tf.constant(1) tensor_b = tf.constant(1) suma = tf.add(tensor_a, tensor_b)

   print(suma)

Si la salida es tf.Tensor(2, shape=(), dtype=int32) y no se generan errores relacionados con la GPU, la configuración se ha completdao con éxito.