安装心理路程（吐槽）

历时两天时间，终于将Tensorflow-gpu安装成功, 期间观看不下于50篇的博客，也尝试多种的安装方法，其中电脑驱动就来回捣鼓数次，然后就是cuda和cudnn下载了多个版本，现在后悔它们都没用了，还有Python的版本问题也捣鼓了许久，呜呜呜(心疼手机流量)…最后我重装的系统，将win10的企业版换成了专业版，专业版一次成功，但应该和电脑系统没啥关系…个人猜测
虽然失败了很多次，期间也想过放弃，使用CPU跑，但笔记的cpu跑深度学习，大规模数据和复杂网络结果出的真的慢，还是GPU香，废话不多说了，开干…
总结目前安装tensorflow-gpu主要是两种途径：
① 直接本地安装（cuda+cudnn，不推荐，如何第一次没成功卸载特别难受）
② 利用conda安装（cudatoolkit+cudnn，推荐，贼舒服）

安装环境选择

使用群体：使用win10的进行深度学习的同学，安装ubuntu（linux）的同学可以不用看了

整个环境的介绍:
① 安装Anaconda3：目的创建虚拟环境
② vscode：进行Python code，方便
③ 框架： Tensorflow
版本选择：
① NVIDIA显卡驱动：可以为最新
② Anaconda3: 直接最新版，Anaconda3支持python版本向下兼容
③ vscode：直接最新版
④ python环境：python 3.7（这个待会创建虚拟环境会设置）
⑤ cudatoolkit版本：10.1（重点）
⑥ cudnn版本：7.6.5（重点）
⑦ tensorflow-gpu：2.2.0
补充说明
① 官网说tensorflow2.1版本后tensorflow中包含GPU，但我没有试过，我安装仍然是tensorflow-gpu，感兴趣可以重创环境试下
② tensorflow-gpu和cudatoolkit和cudnn版本要对应，否则会出现意想不到的错误，下图是目前的最新版本对应：

查询Tensorflow版本对应的： tensorflow官方技术文档
③ 注意自己的电脑驱动支持的cuda版本，查看到支持版本一定大于等于将下载的版本：

上图中，表明我的电脑驱动版本为457.20，支持的最高版本的cuda为11.1（也就是我能安装的cuda不能高于11.1，如果想装更高的版本cuda，可以到官网下载驱动，更新自己的驱动）

安装过程详解

在这里插入图片描述
（贴下我的配置依据）

安装Anaconda3
更新下自己的conda的默认镜像源
创建虚拟环境：

conda create -n tensorflow2.2(名字，可修改) python=3.7
conda env list # 查存在的环境
conda activate tensorflow2.2 #进入虚拟环境

安装tensorflow-gpu2.2.0版本,使用pip安装，采用豆蔻镜像

pip install tensorflow-gpu==2.2.0 -i https://pypi.douban.com/simple/

安装cudatoolkit10.1+cudnn7.6.5

conda install cudatoolkit=10.1 cudnn=7.6.5

至此安装工作结束，推荐大家完全按照上述指令在cmd中进行操作，等成功后可尝试其他版本。

测试

查看是否安装成功，是够存在GPU

from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

在这里插入图片描述
2. 测试GPU是否能运行

import tensorflow as tf
import timeit
import osos.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'  # 代码用于忽略级别 2 及以下的消息（级别 1 是提示，级别 2 是警告，级别 3 是错误）。with tf.device('/cpu:0'):cpu_a = tf.random.normal([10000, 1000])cpu_b = tf.random.normal([1000, 2000])print(cpu_a.device, cpu_b.device)
with tf.device('/gpu:0'):gpu_a = tf.random.normal([10000, 1000])gpu_b = tf.random.normal([1000, 2000])print(gpu_a.device, gpu_b.device)
def cpu_run():with tf.device('/cpu:0'):c = tf.matmul(cpu_a, cpu_b)return c
def gpu_run():with tf.device('/gpu:0'):c = tf.matmul(gpu_a, gpu_b)return c
# warm up
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)print('GPU', tf.test.is_gpu_available())