深度学习环境配置：tensorflow-gpu + keras

环境：Windows10 + GTX1060 + cuda10.1 + cudnn7.6.5 + tensorflow-gpu2.3.1 + keras2.4.3
使用miniconda配置这一套环境，使用Anaconda配置步骤一样
下面要解决如下问题：

（1）cuda存在很多版本，那么我们应该选择哪个版本下载呢？

（2）cudnn有很多版本，又该如何选择？

（3）我们应该选择安装那个版本的tensorflow-gpu？

（4）我们应该选择安装那个版本的keras？

步骤一：配置显卡GPU运行环境

如果想要我们的电脑可以在显卡（我的电脑是NVIDIA的显卡，关于AMD的显卡我没有配置过）上运行深度学习程序，必须在电脑上安装 CUDA（ CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题）和 cudnn（cudnn是用于深度神经网络的GPU加速库）。安装顺序：先安装cuda，后安装cudnn。
下载cuda和cudnn都是去NVIDIA官网下载，前提是要注册NVIDIA账号。cuda各版本下载地址、cudnn下载地址
cuda存在很多版本，那么我们应该选择哪个版本下载呢？这和我们显卡驱动的版本有关系。

在这里插入图片描述

（1）第一步：查看我们显卡驱动的版本，有两种方式。

方式一：通过NVIDIA控制面板查看

在这里插入图片描述

方式二：通过cmd命令行

nvidia-smi

在这里插入图片描述

（2）根据显卡版本驱动，到如下网站查找可以安装的cuda版本：显卡对应的cuda版本。如下是对应关系表（截图时间：2021年2月2号）。

在这里插入图片描述

（3）在官网下载CUDA（cuda各版本下载地址）安装即可，安装后在cmd中输入如下命令查看是否安装成功

nvcc -V

在这里插入图片描述

另外指的注意的是cuda的默认安装位置为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1，这个位置马上安装cudnn时需要用到。

（4）到目前位置我们已经安装好cuda，但是仅此我们还不能在GPU上运行深度学习库，下面我们还要安装NVIDIA专门为深度学习开发的库cudnn。首先在官网下载cudnn（cudnn下载地址），这里又牵涉到一个问题：cudnn有很多版本，又该如何选择？cudnn的版本是依赖刚才安装的CUDA版本的，我们可以到如下网站查找可以安装的cudnn版本：cudnn和CUDA的版本对应关系。如下是对应关系（截图时间：2021年2月2号）。

在这里插入图片描述

（5）下载完成cudnn之后，这是一个压缩包，解压后得到一个文件夹，进入该文件夹，全选里面的内容，复制。如下图是解压后需要复制的内容：

在这里插入图片描述

（6）打开CUDA的安装位置（默认位置：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1），将第（5）中复制的内容拷贝到CUDA的安装位置，如果有文件冲突，选择覆盖原来的文件即可。至此显卡GPU运行环境配置完毕。

步骤二：配置tensorflow-gpu和keras

这里使用miniconda（或者Anaconda）的命令行工具配置一套虚拟环境，关于如何配置该命令行的使用，可以参照：Anaconda软件安装和使用。
tensorflow-gpu版本的安装（不需要提前安装tensorflow的cpu版本），需要CUDA和cudnn的支持，tensorflow-gpu存在很多版本，那么现在又出现同样的问题，我们应该选择安装那个版本的tensorflow-gpu？ 我们可以在这个网址查看tensorflow-gpu和 CUDA、cudnn的版本对应关系：tensorflow-gpu和 CUDA、cudnn的版本对应关系。如下是对应关系表（截图时间：2021年2月2号）。

在这里插入图片描述

关于MSVC的支持：

在这里插入图片描述

解决了tensorflow-gpu和 CUDA、cudnn的版本对应关系之后，现在有出现一个问题？我们应该选择安装那个版本的keras？ 这里keras官方并没有给出keras和tensorflow-gpu的对应关系（至少我没找到），但是可以参考如下网站给出的对应关系：keras和tensorflow的对应关系。不按照这个对应关系安装可能也能成功运行，也可能不成功。如下是对应关系表（截图时间：2021年2月2号）。

在这里插入图片描述

使用conda演示安装tensorflow-gpu + keras

1 配置conda国内镜像源

这个步骤也可以不做，这一步是为了加速下载的

在个人用户文件夹下（我的电脑中对应位置：C:\Users\WXX）新建.condarc文件，文件中添加如下内容：

channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
show_channel_urls: true

参考网址：关于使用anaconda出现CondaHTTPError问题的解决

另外也可以换成中科大的源。

2 配置pip国内镜像源

这个步骤也可以不做，这一步是为了加速下载的

在个人用户文件夹下（我的电脑中对应位置：C:\Users\WXX）新建pip文件夹，在文件夹中新建pip.ini，在该文件中添加如下内容：

[global]
index-url = https://pypi.mirrors.ustc.edu.cn/simple/
[install]
use-mirrors =true
mirrors =https://pypi.mirrors.ustc.edu.cn/simple/
trusted-host =pypi.mirrors.ustc.edu.cn/simple/

参考网址：pip下载加速

3 安装环境

conda create -n kr243 python=3.6.5
conda activate kr243
pip install tensorflow-gpu==2.3.1
pip install keras==2.4.3

4 测试结果

使用如下代码测试是否可以使用GPU加速：

# coding=utf-8
import tensorflow as tf

print(tf.__version__)
print('GPU', tf.test.is_gpu_available())

在这里插入图片描述