前言

此处省略 $2^n$ 个脏话，快被他恶心死了，弄了两个晚上还多，下了CUDN和cudnn好多个版本，现在终于弄好了。为表示欣喜之情，必须得写篇博客庆祝下。

嘿嘿，主要是想让各位不再在GPU配置上走弯路了，免得到处找方法。这个坑我已经淌过了，别再进了，真又浪费时间又浪费心情。

自己电脑配置太低了，跑神经网络真不行，现在在家（可恶的疫情）学校服务器也还不能用，哎太难了。
GPU的作用啥的就不多说了，先弄上我的配置。
在这里插入图片描述

（咱也不知道专用GPU和共享GPU内存有啥区别，懂得还望赐教嘿嘿）

方法一

最普通的安装
一定先看看自己的显卡，自己的TensorFlow版本，去官网上找对应的CUDA和cudnn版本（这两个版本也要对应）。
显卡怎么看不用说了，打开cmd 输入 pip list看自己TensorFlow-gpu版本，要是还没装TensorFlow-gpu的话直接看方法二。（注意还有只有tensorflow的，我们要用的是tensorflow-gpu的）
在这里插入图片描述

这是TensorFlow与CUDA cuDNN对应，这是官网

https://tensorflow.google.cn/install/source_windows

在这里插入图片描述

这是显卡驱动对应CUDA网址：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#title-new-cuda-tools
CUDA下载官网：https://developer.nvidia.com/cuda-toolkit-archive
cuDNN载地址(需要注册账号和回答问卷很简单)：https://developer.nvidia.com/cudnn

下载安装CUDA时可能会安装失败，选自定义安装，然后vs那个别选，安装就好了。（这些功能咱也不知道啥用，装上也占不了多少内存）
在这里插入图片描述
装好后解压cudnn，把里面的三个文件

在这里插入图片描述
复制到这里 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2

在这里插入图片描述
然后查看自己的环境变量路径里面是否有cuda
此电脑—>属性——>高级系统设置——>系统变量——>加这个（一般他自动就加上了，没有在手动加吧）—>

——>path里加上：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp
在这里插入图片描述
用这个代码看是否用了GPU

>>import tensorflow as tf
>>tf.test.gpu_device_name()

'/device:GPU:0'#输出这个就对了  输出 " "是不对的

我其实早就有这个了，但在跑cnn时，出现了这个：
Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
很无语，然后又是对tensorflow降级啊，又是装其他版本的cuda啊，最后那个问题解决了，又出现了这个，我也是醉了。哎……
InternalError: cudaGetDevice() failed. Status: cudaGetErrorString symbol not found
然后第二种方法

方法二

这个适用于装了Anaconda的，没装的话直接看方法三吧。推荐装上这个，因为他的jupyter笔记本太好用了，也方便。
这是清华的开源镜像，直接下
https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/?C=M&O=D
配置path路径
在这里插入图片描述
安装之后打开Anaconda Navigator

先点environment 然后搜索框里输入tensorflow，看not installed
因为有些我已经装了，所以这里没显示，tensorflow-gpu和keras-gpu是必须装的，其他的matadata啥的也装上吧，反正有比没有好。这个它会自己给你配置cuda和cudnn环境，而且不用太担心版本问题，它会自己找对应版本（tensorflow和cuda），比如自动给你降级或者升级。
在这里插入图片描述
这是我的仅供参考，因为每个人的显卡版本啥的不相同，自己看情况下吧。

然后打开jupyter输入方法一那个代码验证下。
我的那个输出是对的，但跑那个程序还是出问题了。哎，无语了，就不想搞了，没想到哈哈哈，看方法三。哈哈哈哈

方法三（重头戏）

装了一天一夜没装上，就不想弄了，然后想去看看c4 AI那个比赛（据说不要钱，还是入门级的就想试试水嘿嘿）。因为要用飞桨平台，他们的框架是paddle的，而我用的是keras，所以必须安装paddle环境，在装paddle-gpu时，按照他们步骤，有个这个

conda install paddlepaddle-gpu cudatoolkit=10.0

嘿嘿，我就想到了keras也这样配置环境不也很ok吗？
于是改了下，为啥把版本去了呢？因为我们也不知道自己对应的cudatoolkit版本是多少，让他自己配置好了。

conda install tensorflow-gpu cudatoolkit

在这里插入图片描述
这里可以看到，我的keras和tensorflow版本，以及需要配置的环境，干就完了，虽然下载可能有点慢（也不是很慢），但用清华源下咱也不会，就这样吧，一会就完了。试一下错误完全没有了。哈哈哈哈

注

虽然我用了第三种方法才好的，他们好多都是用的一二种方法弄好的，第三种方法我没找到有用的嘿嘿。但我这也是有一二种方法的基础才ok的。因此如果直接用第三种方法咱也不知道行不行，因为你看上图，我下的cuda大小两个多G，然而这个cudatoolkit才300M。我猜是GPU用于深度学习时，只用CUDA的那个cudatoolkit所以直接下就行，而且我在方法一中也说配置path是也是在toolkit目录下，只是猜测，你们可以试试，如果可以就评论下，因为方法三是最简单的。
另上文说到的那个比赛是这个。
http://aicontest.baidu.com/materials.html
帮他们打个广告吧，毕竟是因为那个我才想到的方法三，而且这比赛看起来真的可以，不用交钱，有两个组，完全小白也能参加，可以看看。

三种方法详解深度学习GPU环境搭配（基于Windows，keras）

前言

方法一

方法二

方法三（重头戏）

注

猜你喜欢