Living your dream.
Win10 TensorFlow（gpu）安装详解
Win10 TensorFlow（gpu）安装详解
写在前面：TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从图象的一端流动到另一端计算过程。TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。从去年十一月开源至今一年多一点的时间里，该项目已经收获了40000+的star和18000+的fork,足见它的热度。TensorFlow的社区和文档都非常完善，因而受到大家的青睐。
之前TensorFlow只支持Ubuntu/Linux和Mac OS X，安装也比较方便。前两天上社区发现已经有Windows版本了,果断装个试试，本文主要记录Win10下安装TensoFlow踩过的坑。
1.安装环境（多版本Python管理）
TensorFlow目前在windows下只支持64-bit Python 3.5,由于之前一直在用python 2.7(Anaconda2)+jupyter notebook,不想直接换成Python 3.5,所以准备安装两个版本的Anaconda。这里主要介绍下如何管理使用不同版本的Python,如果本来就用Python 3.5的这章节直接跳过好了。
：Window下安装非常简单，直接运行安装包下一步下一步就行，安装过程会有选择打钩的地方，第一个是添加环境变量，第二个是把Anaconda下的Python设置为默认版本，这里建议都勾选。
了解Anaconda的应该都知道可以用conda环境管理不同版本的python,比如我现在安装的是Anaconda2，默认python版本是2.7，但是我想用下Python 3，这个时候可以用conda创建一个环境，在这个环境下可以安装运行你想要的版本，等用完了退出这个环境即可。系统默认的Python版本还是2.7。
下面介绍具体怎么处理：
(1).创建一个名为python35的环境，指定Python版本是3.5
打开cmd:conda create --name python35 python=3.5
(2).安装完成后，使用activate激活python35
输入activate python35可以看到 命令行行前面有个(python35),这个就是当前运行环境
接着运行python可以看到python版本显示为3.5.2
(3).如果想返回默认的python 2.7环境，先退出python然后运行deactivate python35
运行python,如图所示，python版本为2.7.12，命令行前面的（python35）也不见了，说明已经退出python35环境。
是不是很方便？下面去安装路径下看下，可以看到在Anaconda2安装路径的envs下有python35这个文件夹，每当我们激活这个环境的时候，系统运行环境就在该文件夹下面了。（其它两个是我后面新建的）
到这里其实已经准备好安装环境了，但是我之前用习惯了jupyter notebook,如果我现在运行Anaconda自带的notebook还是只有python 2.7.12版本，如果跟我一样想用jupyter notebook继续往下看。
既然可以在新建的环境下安装Python 3.5,那我在这个环境下在安装一个Anaconda3怎么样，这样同时安装了python 3.5的jupyter notebook以及Spyder，尝试了一下，果然可以！
（看了评论发现这个方法不可以了，现在不经常上csdn了，路过的小伙伴路过有解决方案也阔以共享出来…
我去年这么装的时候是没有问题的。刚刚试了下，确实不可以了。 然后我尝试了一下其他方法：
1.conda create –name test python=3.6
2.activate test
3.pip install jupyter/spyder
4.jupyter notebook
这样也是可以的。）
(1).conda新建一个Anaconda3的环境
conda create --name Anaconda3
成功后会在Anaconda2下的envs文件夹下新建一个Anaconda3环境
(2).接着从Anaconda官网下载Anaconda3的安装包并安装
在安装的时候注意将安装路径选为E:\Anaconda2\envs\Anaconda3(即刚才新建的conda环境)，另外注意在打钩的界面，两个都不要勾选，接着正常安装结束就行。
(3).安装完成后，激活Anaconda3环境，运行python、jupyter notebook，大功告成。
2. TensorFlow安装
完成上面python3.5安装后就很简单了，直接pip安装就行。
先激活Anaconda3环境:activate Anaconda3
注：如果机子显卡较低不支持GPU加速就安装CPU版本，本文安装的是GPU版本
输入：pip install tensorflow-gpu 安装，如果提示pip版本问题，按提示更新到最新版本即可。
安装完成。
这个时候虽然已经安装好了TensorFlow,但是因为需要GPU加速，我们还需要安装cuda和cuDnn(专门为deep learning准备的加速库)。
3. cuda安装
(1).cuda v8.0安装包 ,还有安装指南之类的，稍微看下就行。
根据自己的环境选择对应的版本,exe分为网络版和本地版，网络版安装包比较小，执行安装的时候再去下载需要的包；本地版安装包是直接下载完整安装包。这里建议下载本地版（网络版我试过，安装一晚上失败了…），另外建议用win10自带的edge浏览器下载，速度比谷歌啥的快多了。
下载下来后就正常安装就可以了。
(2).cuDnn库
下载这个安装包需要注册并且填一堆问卷，下下来以后把相关包不用安装，直接拷到cuda路径对应的文件夹下面就行(后面说)。
(3).cuda测试
在cuda安装好后会自动下载一些example，自己运行测试一下，问题不大。
(4).关键坑（运行TensorFlow）
当我安装完成准备开一波车的时候，出来各种错，作为年轻的老司机我讲讲经验。TensorFlow 是一个编程系统, 使用图来表示计算任务，图必须在Session(会话)里被启动. Session将图的op(操作)分发到诸如CPU或GPU之类的设备上运行。所以，这个时候你运行python然后import tensorflow as tf是不会报错的，但是当你要执行tf.Session()的时候可能就有问题了。这个时候将会调用cuda，我在这里遇到的问题是各种lib,dll加载不了。经过一番检查，定位到问题，cuda安装完成后默认的环境变量配置不对，CUDA_PATH是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0,但是这样不能直接访问到bin和lib\x64下的程序包，在path中加上这两个路径即可。
再发一波车，结果还有问题…还有一个库加载不了，就是上面的cuDnn库了，很简单，解压刚才下下来的安装包，将这三个文件夹下的文件拷到CUDA对应的文件夹下面即可。
这样就大功告成了。
4.TensorFlow测试
(1).代码测试：
import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
(2).官方教程代码测试：
The TensorFlow implement
ation translates the graph definition into executable operations distributed across available compute resources, such as the CPU or one of your computer’s GPU cards. In general you do not have to specify CPUs or GPUs explicitly. TensorFlow uses your first GPU, if you have one, for as many operations as possible.
#Creates a graph.
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
#Creates a session with log_device_placement set to True.
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
#Runs the op.
print sess.run(c)
Device mapping:
/job:localhost/replica:0/task:0/gpu:0 -& device: 0, name: Tesla K40c, pci bus
b: /job:localhost/replica:0/task:0/gpu:0
a: /job:localhost/replica:0/task:0/gpu:0
MatMul: /job:localhost/replica:0/task:0/gpu:0
(2).example 测试
下载github上的，里面有很多示例代码
run example:
python mnist_with_summaries.py
..............................
结果刚发车就熄火了…couldn't open CUDA library cupti64_80.dll
I c:\tf_jenkins\home\workspace\release-win\device\gpu\os\windows\tensorflow\stream_executor\dso_loader.cc:119] Couldn't open CUDA library cupti64_80.dll
查了一下，这个dll在NVIDIA GPU Computing Toolkit\CUDA\v8.0\extras\CUPTI\libx64，因为这个也没添加到系统变量，简单的处理方式，把这里面的文件也拷到环境变量的bin文件夹下。
再次启动，终于愉快的run起来了。
最后想看看gpu情况，搜到了这个：NVIDIA System Management Interface
其实在安装路径下已经有了C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi
具体怎么操作，还在探索中…
老规矩，推荐一些好资料。
tensorflow官方教程，还有中文版社区，文章开头已放链接。
不错的知乎专栏：
Hiton的课程：
其它比较火的的deep learning 框架：、…
最后，安装的过程还关注到了，真的是个黑科技！等玩好了在PO教程上来。
没有更多推荐了，tensorflow gpu版本运行时怎么知道有没有调用gpu以及cuda加速_百度知道
tensorflow gpu版本运行时怎么知道有没有调用gpu以及cuda加速
我有更好的答案
可以下个显卡测温工具，看看运行的时候显卡占用率是不是升高。
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。日常，不定期更新
ubuntu+tensorflow1.5.0gpu版+cuda9.0+cudnn7.0深度学习环境配置
Tensorflow深度学习环境相关配置
这两天配置这个GPU深度学习环境也是费劲脑汁，参考了很多网上教程，但是有些已经过时了，参考意义不大，下面开始总结一下整个配置过程：一、配置准备1、首先查看电脑显卡是否支持cuda加速，贴出官方链接：，
选第四个，一般算力大于3.0的就可以进行cuda加速了。2、考虑安装的tensorflow版本，不同tf版本对应支持的cuda+cudnn加速版本也不一样。
题主安装的是最新的tensorflow-gpu-1.5.0版本，对于cuda支持的版本是cuda9.0，对于cudnn支持的版本是cudnn.v7.1.1_for_cuda9.0（别下错了，我最开始下的是cuda9.1，发现测试导入tensorflow总是找不到cuda，查了一下发现是版本不支持，于是删了重下的cuda9.0）。
贴出官方下载链接：cuda——
cudnn——二、开始配置
安装教程按照官方安装说明：
cuda安装，需要修改一下版本号，不然每次默认安装最新的cuda9.1：
1、安装cuda包，&version&查看对于路径下的版本号sudo dpkg -i cuda-repo-ubuntu-local_9.0.176-1_amd64.debsudo apt-key add /var/cuda-repo-&version&/7fa2af80.pub
sudo apt-get updatesudo apt-get install cuda-9-0安装完进测试一下是否正确安装版本cd /usr/local/cuda/samples/1_Utilities/deviceQuerymake
#我的make过了sudo ./deviceQuery结果如图：2、安装cudnn包
解压包tar -xzvf cudnn-9.0-linux-x64-v7.tgz
复制下列文件到cuda文件路径下sudo cp cuda/include/cudnn.h /usr/local/cuda/includesudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*
安装、测试样本文件，&HOME指定任意路径，需要新建一个文件夹，可以在Home下进行：mkdir CudnnTestcp -r /usr/src/cudnn_samples_v7/ $HOMEcd
$HOME/cudnn_samples_v7/mnistCUDNNmake clean && make./mnistCUDNN
如果测试出现了下述代码：Test passed!
说明整个Cudnn环境安装无误。3、安装tensorflow-gpu
我设置默认的是python3.5.2，所以用的pip3; 如果是python2的话对应的pip就行：sudo pip3 install --upgrade tensorflow-gpu
最后的导入效果如下：可以用这篇文章的小程序跑一下是否能够支持GPU运行：（渣电脑就不发我跑的结果了，如果正确按照上述安装过程的话应该是没有错的。）
————————————————————————————手动分割线—————————————————————————————三、配置失误看这里
当然，如果不小心误操作了Cuda安装错了也没关系，用下述指令删除，（这里版本是9.1，对应不同情况自行修改）：sudo apt-get --purge remove cuda-9.1
然后删除其余残余文件夹（如果还有的话，没有就不用删了）：sudo rm -r /usr/local/cuda-9.1
如果还不行，删除无用的依赖包，(谨慎使用，虽然我用了没什么事)：sudo apt autoremove
删除了上一个版本cuda后，就可以重新下载安装自己想要的版本就行啦。
没有更多推荐了，tensorflow使用gpu 但是运行还是大量使用cpu训练速度也没有提升_百度知道
tensorflow使用gpu 但是运行还是大量使用cpu训练速度也没有提升
我有更好的答案
安装GPU版本的tensorflow就可以了pipinstall--upgrade还需要安装GPU加速包，下载CUDA和cuDNN的安装包了，注意版本号分别是CUDA8.0和cuDNN5.1。如果都安装成功，运行程序时会自动使用GPU计算
采纳率：85%
来自团队：
为您推荐：
其他类似问题
换一换
回答问题，赢新手礼包
个人、企业类
违法有害信息,请在下方选择后提交
色情、暴力
我们会通过消息、邮箱等方式尽快将举报结果通知您。27.9k 次阅读
标签：至少1个，最多5个
因为windows只支持py3版本的tensorflow，而很多项目是用py2构建的，所以我又尝试在Ubuntu16.04中再次安装GPU版的tensorflow。
我们需要安装的内容有Cuda8.0和Cudnn5.1和tensorflow-gpu。
检查你的显卡是否可以安装Cuda
首先，你要有一块NVIDA的显卡，然后性能评分要大于3.0
TensorFlow GPU support requires having a GPU card with NVidia Compute Capability &= 3.0. Supported cards include but are not limited to:
NVidia Titan
NVidia Titan X
NVidia K20
NVidia K40
简单得说起来呢，你要有一块最好是GTX的显卡，或者有一块还算新的（7,8,9,10系列），再或者在同代中还算凑合的（640之类）的卡，不然还是攒钱买台游戏本吧哦，不对，是学习机
笔者的卡是GTX950m，虽然比不上像1080和泰坦这样的逆天神卡，但是2G显存还是能在笔记本中排前十的当年为了玩游戏买的游戏本，今天居然能用来学习，也是感慨良多啊，以前玩游戏是多么愧疚万分
既然显卡可以用，那我们就要开始正式安装Cuda了。
按装官方教程，我们可以应该安装Cuda8.0和Cudnn V5.1（由于Cuda7.5最高支持15.04，所以不推荐安装Cuda7.5，虽然也能运行。另外Cuda8.0一定要安装Cudnn5.1，版本必须匹配）
大家可以到来下载Cuda8.0
大家注意在这里选funfile local，因为选deb的话会遇到apt get的源损坏问题，所以最好不要下那个
降级gcc和g++
由于Cuda不支持新版本的gcc和g++，所以如果建议先降级到4版本，具体方法请Google
安装显卡驱动
敲黑板！！！！一定不要用Cuda自带的显卡驱动！！！兼容性不太好，很容易把驱动搞坏，导致循环登陆问题。出了这个问题请参看主要就是要重新安装驱动，主要是这行代码起作用：
sudo apt-get install nvidia-367
然后选择最上面一个NVIDIA驱动，进行安装
请坐和放宽，关闭你的图形界面
大家看到这里是不是觉得我疯了，不，不是我疯了，是疯了NVIDA。在安装Cuda的时候，我们要关闭X服务。当时看到请检查你的X服务是否关机的时候，我整个人是懵逼的，啥，我啥X服务，还特殊服务呢。。。我把SS都关了，甚至重启了刚开机就装都提示请检查关闭X
这尼玛X是啥 ，会不会说人话，是不是要劳资把系统都关了？在咨询群里大牛后我彻底傻了，真的是要把图形界面关了，不，准确说是要把图形界面关了。恩，对，关了图形界面，用命令行安装。。。
我类个去。。。。
好的，关就关嘛，随怕随。不过在关之前，请记住你的cuda runfile的下载路径备用。
请坐稳扶好，坐窗边的旅客请不要把头手伸出窗外，我们要开始时空穿梭，请在终端中打下如下命令：
sudo service lightdm stop
忽然间，你会感到一阵清风吹过你的面庞，那是因为我们在时空穿梭。。。2333， 欢迎回到上个世纪，在很久很久已经，我们只有命令行。。。。
不要以为上面那张图没加载出来，就是那样的。为什么，因为我们关了图形界面。。2333而且，我们还没调出命令行。。。。
好了，按住
CTRL + ALT + F1
我们调出了命令行，开始装Cuda
输入账户密码登陆
cd 到你要下载的目录，执行
sudo sh cuda_8.0.44_linux.run
然后你会看到
Do you accept the previously read EULA?accept/decline/quit: accept
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 361.62?(y)es/(n)o/(q)uit: y如果这里不安装的话后面可能会出现找不到Cuda驱动的问题但是很多文章认为安装的话会把之前安装的驱动废掉两篇文章供参考
如果你刚才选了y，那么这里还会问你要不要装X configuration，这里就绝对不能选y了因为前面其实和Cuda driver有关，装了一样能运行。但是如果你装了X configuration，也就是NVIDIA驱动，那就彻底废了。因为这会导致驱动损坏，发生循环登录问题。
如果不幸发生了循环登录问题，请参考这篇文章，重装驱动解决：
Install the CUDA 8.0 Toolkit?(y)es/(n)o/(q)uit: y
Enter Toolkit Location[ default is /usr/local/cuda-8.0 ]:回车
Do you want to install a symbolic link at /usr/local/cuda?(y)es/(n)o/(q)uit: y
Install the CUDA 8.0 Samples?(y)es/(n)o/(q)uit: y
Enter CUDA Samples Location[ default is /root ]:回车
Installing the CUDA Toolkit in /usr/local/cuda-8.0 …Installing the CUDA Samples in /root …Copying samples to /home/derek/NVIDIA_CUDA-8.0_Samples now…Finished copying samples.
= Summary =
Driver: InstalledToolkit: Installed in /usr/local/cuda-8.0Samples: Installed in /home/derek
Please make sure that– PATH includes /usr/local/cuda-8.0/bin– LD_LIBRARY_PATH includes /usr/local/cuda-8.0/lib64, or, add /usr/local/cuda-8.0/lib64 to /etc/ld.so.conf and run ldconfig as root
To uninstall the CUDA Toolkit, run the uninstall script in /usr/local/cuda-8.0/bin
Please see CUDA_Installation_Guide_Linux.pdf in /usr/local/cuda-8.0/doc/pdf for detailed information on setting up CUDA.
WARNING: Incomplete installation! This installation did not install the CUDA Driver. A driver of version at least 361.00 is required for CUDA 8.0 functionality to work.
To install the driver using this installer, run the following command, replacing with the name of this run filesudo.run -silent -driver
安装成功，撒花～在命令行中打下如下代码，回到文明世界：
sudo service lightdm start
设置Cuda环境变量
还别高兴太早，没设环境变量待会要出事的，就像下面TensorFlow运行失败
sudo vi ~/.bash_profile
打开配置文件，最后们加入以下几行
export LD_LIBRARY_PATH="$LD_LIBRARY_PATH:/usr/local/cuda-8.0/lib64:/usr/local/cuda-8.0/extras/CUPTI/lib64"
export CUDA_HOME=/usr/local/cuda-8.0
wq 保存离开。如果你没装 /usr/local/cuda，请自行了断：修改路径
环境变量的设置不是太熟悉，大家可以自行google。或者把上面两行直接粘贴到终端中，会理解生效，不过仅在该终端中有效
安装过程可以参考这篇文章
Cudnn 安装
到下载。 当然你先得注册一个NVIDA账号，添一堆问卷。 选择 Download cuDNN v5.1 (Jan 20, 2017), for CUDA 8.0下载 cuDNN v5.1 Runtime Library for Ubuntu16.04 Power8 (Deb)安装或者下载tar，解压后会得到一个Cuda文件夹，复制到Cuda-8.0文件夹中
sudo cp cuda/include/cudnn.h /usr/local/cuda-8.0/include
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-8.0/lib64
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*
检查是否复制成功，否则会在import tf时出错
安装TensorFlow
这里不好意思我就假设你pip装好，网络环境正常，网路不好的到github上找别人下好的下载吧。。。执行下面命令
pip install tensorflow-gpu
如果安装缓慢老中断可以先把numpy等相关的包装好
照着官网打呗，这还有啥好说的呢～恭喜安装成功！！！！
&&& import tensorflow as tf
&&& hello = tf.constant('Hello, TensorFlow!')
&&& sess = tf.Session()
&&& print(sess.run(hello))
Hello, TensorFlow!
&&& a = tf.constant(10)
&&& b = tf.constant(32)
&&& print(sess.run(a + b))
4 收藏&&|&&8
你可能感兴趣的文章
这一条命令sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*应该改成sudo chmod a+r /usr/local/cuda-8.0/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*才对吧
这一条命令
sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*
sudo chmod a+r /usr/local/cuda-8.0/include/cudnn.h /usr/local/cuda-8.0/lib64/libcudnn*
恩，可能是吧，时间太长记不清了，你就看你安装在什么路径下了，根据自己的情况修改就好
恩，可能是吧，时间太长记不清了，你就看你安装在什么路径下了，根据自己的情况修改就好
/usr/local/cuda 这个路径其实是已安装cuda的一个符号链接，版本8.0的话实际路径指的就是/usr/local/cuda-8.0
/usr/local/cuda 这个路径其实是已安装cuda的一个符号链接，版本8.0的话实际路径指的就是/usr/local/cuda-8.0
从nvidia docker学习 echo "deb
/" & /etc/apt/sources.list.d/nvidia-ml.list然后直接apt管理吧。
从nvidia docker学习 https://gitlab.com/nvidia/cuda/blob/ubuntu16.04/8.0/runtime/cudnn6/Dockerfile
echo &deb http://developer.download.nvidia.com/compute/machine-learning/repos/ubuntu /& & /etc/apt/sources.list.d/nvidia-ml.list
然后直接apt管理吧。
Sorry，对Docker不熟悉，这样做的好处是什么呢？学习是指？谢谢！
Sorry，对Docker不熟悉，这样做的好处是什么呢？学习是指？谢谢！
好处就是把nvidia官方源加如到debian/ubuntu的软件源中，然后直接apt安装cuda啊cudnn啊等等所有N记的东西。
“学习”的意思就是，最开始我也是从N记的docker构建脚本中学习得来的这个N记官方源地址。 不使用docker也可以使用N记的源。使用docker的话，只需要在host os上安装了驱动、docker-ce和nvidia-docker就可以了，cudnn或者其他的什么都在docker镜像里就好了，不需要安装到host os上。
@Derek[derek_586fa461d7746]
好处就是把nvidia官方源加如到debian/ubuntu的软件源中，然后直接apt安装cuda啊cudnn啊等等所有N记的东西。
“学习”的意思就是，最开始我也是从N记的docker构建脚本中学习得来的这个N记官方源地址。 不使用docker也可以使用N记的源。使用docker的话，只需要在host os上安装了驱动、docker-ce和nvidia-docker就可以了，cudnn或者其他的什么都在docker镜像里就好了，不需要安装到host os上。
明白了，那可能就可以免去不少麻烦，说不定就能解决驱动不兼容的问题，谢谢啦！
@任卫[renwei] 明白了，那可能就可以免去不少麻烦，说不定就能解决驱动不兼容的问题，谢谢啦！
请问怎么启动GPU版呢？我安装好了GPU版但是跑别人的项目还是走的CPU，需要调哪些地方呢？
请问怎么启动GPU版呢？我安装好了GPU版但是跑别人的项目还是走的CPU，需要调哪些地方呢？
你可以设置默认使用GPU运行。你检查一下是否真的是没用使用GPU。cuda或者tf都有命令默认使用GPU。你看下你是否装了cpu版和gpu版，如果都装了把cpu版先卸掉。然后看下别人项目是否适合使用gpu，有的项目用gpu反而慢。
你可以设置默认使用GPU运行。你检查一下是否真的是没用使用GPU。cuda或者tf都有命令默认使用GPU。你看下你是否装了cpu版和gpu版，如果都装了把cpu版先卸掉。然后看下别人项目是否适合使用gpu，有的项目用gpu反而慢。
你可能感兴趣的文章
分享到微博？
我要该，理由是：
在 SegmentFault，学习技能、解决问题
每个月，我们帮助 1000 万的开发者解决各种各样的技术问题。并助力他们在技术能力、职业生涯、影响力上获得提升。