1.win10 + CUDA 9.0 + cuDNN 7.0 + tensorflow源码编译安装
2.Tensorflow RNN、LSTM、GRU使用

win10 + CUDA 9.0 + cuDNN 7.0 + tensorflow源码编译安装

       在配置个人深度学习主机后，安装必备软件环境成为首要任务。使用Anaconda5.0.0 python3.6版本管理Win python环境，新建基于python3.5的dubborest服务源码tensorflow-gpu-py conda环境。直接使用conda安装tensorflow，会默认安装tensorflow-gpu 1.1.0并主动安装cudatoolkit8.0 + cudnn6.0。若需配置CUDA环境，需自行下载并安装cuda9.0 + cudnn7.0，配置环境变量。pip安装tensorflow，会默认安装最新版本tensorflow-gpu 1.3.0。配置不当导致import tensorflow时报错：'ModuleNotFoundError: No module named '_pywrap_tensorflow_internal'。尝试源码编译tensorflow解决此问题。c list 源码

       查阅tensorflow官网文档，了解cmake window build tensorflow方法。文档中提到，tensorflow源代码目录下有详细网页介绍Windows环境编译方法，包含重要信息。发现安装tensorflow-gpu版本、配置CUDA8.0 + cuDNN6.0/cuDNN5.1或CUDA9.0 + cuDNN7.0时，import tensorflow时报错。查阅错误信息，网上解答提及需要配置正确的CUDA和cuDNN版本。然而，尝试安装和配置后依然报错。安装tensorflow cpu版本无问题，确认CUDA环境配置错误。mapreduce 2.0源码

       决定源码编译tensorflow-gpu以解决问题。查阅文档，执行编译操作。在window环境下编译tensorflow源码，需要准备的软件包括Git、tensorflow源码、anaconda、swig、CMake、CUDA、cuDNN、Visual Studio 。在百度网盘下载相关软件。

       配置过程中，python 源码语言修改CMakeLists.txt以适应CUDA 9.0 + cuDNN 7.0。在cmake目录下新建build文件夹，执行命令配置tensorflow。配置后进行编译，遇到问题如：cudnnSetRNNDescriptor参数不匹配、网络访问问题、编码问题、protobuf库下载问题、zlib.h文件不存在、下载链接失败、无法解决的错误等。

       为解决这些问题，采取相应措施，如修改cuda_dnn.cc文件、pcm和源码网络代理设置、文件编码转换、忽略警告信息、多次尝试下载、修改cmake配置文件等。遇到无法解决的问题，如CUDA编译器问题、特定源代码文件问题，提交至github tensorflow进行讨论。

       完成源码编译后，安装tensorflow-gpu并进行验证。在下一步中继续讨论验证过程和可能遇到的后续问题。整个编译过程耗时、复杂，需要耐心和细心，希望未来能有官方解决方案以简化编译过程。

Tensorflow RNN、LSTM、GRU使用

       在Tensorflow2.0中，循环神经网络（RNN）、长短时记忆（LSTM）和门控循环单元（GRU）的实现变得更为简便，主要依赖于Keras模块。本文将基于Tensorflow官方文档，详细解析Tensorflow2.0中对于循环神经网络的实现方式，并介绍如何构建常见的双向循环神经网络。文章将分为四大部分来展开：

       **一、循环神经网络基类

       循环神经网络的基类为所有实现（RNN、GRU、LSTM）的母类，它提供了构建RNN的基础框架，需要cell类作为输入。此基类接口包括但不限于以下参数：`cell`、`return_sequences`、`return_state`、`go_backwards`、`stateful`和`unroll`。

       **二、循环神经网络cell类

       cell类实现了单次输入到输出的循环神经网络结构，没有进行循环传递。RNNCell类提供了核心接口，而LSTMCell和GRUCell则分别对应LSTM和GRU模型，提供了各自的接口。

       **三、循环神经网络完整实现类

       在实际应用中，RNN、LSTM和GRU的实现类似，主要区别在于参数设置和输出方式。对于RNN模型，定义接口时需考虑`cell`、`return_sequences`、`return_state`等参数。以LSTM模型为例，其接口包括`input_shape`、`return_sequences`、`return_state`等参数，并提供具体的使用示例。GRU模型的接口和LSTM相似，但在具体实现和参数使用上有细微差异。

       **四、双向循环神经网络实现

       为了增强模型的表示能力，双向循环神经网络（Bidirectional RNNs）成为了常用的技术。Tensorflow提供了`tf.keras.layers.Bidirectional`包装器，简化了构建双向RNN的步骤。其接口参数主要关注如何构建前向和后向RNN，并提供相应的使用示例。

       综上所述，Tensorflow2.0为构建复杂的循环神经网络模型提供了强大的框架支持，包括基础的RNN、LSTM和GRU模型实现，以及便捷的双向RNN结构。通过正确使用这些API，开发者可以构建出高效、灵活的序列处理模型，解决各种序列数据相关的任务。