Conda配置Tensorflow-gpu错误排查思路梳理

小知识，大挑战！本文正在参与“程序员必备小知识”创作活动

之前配置深度学习环境都还比较顺利，以为这次也不会有什么问题。于是在下午之前的状态都是：写一行指令，切出去看会儿视频，看完切回来再写一行指令.....

结果这次在虚拟环境下配置还是被坑得不轻，最后凌晨才搞定（强迫症，事情不办完睡不着），然后就人生第一次在公司睡了一觉。

现在把问题排查的思路梳理如下，以醒后世（哭惹）。

PS:本文主旨为“完成全套配置操作流程”之后，测试配置是否成功（包括tf是否安装成功，是否能正确识别到gpu）以及若安装不成功，则排查问题可能存在位置的思路。

Let's go!

测试配置是否成功

1. 在当前虚拟环境中启动python

2. 测试Tensorflow安装是否成功：

   import tensorflow as tf
   tf.__version__  #注意version前后各两条下划线
   #若输出版本号，则Tensorflow安装成功
   复制代码

3. 测试Tensorflow是否能找到GPU：

   tf.config.list_physical_devices()
   #r如果输出的列表中，有元素device_type='GPU'，则Tensorflow-gpu正常
   复制代码

   或直接使用以下代码：

   tf.config.list_physical_devices('GPU')
   #如果输出非空列表，则Tensorflow-gpu正常
   复制代码

如果上述3步都没有问题，那么你现在可以点一下赞然后退出了，否则请继续向下阅读。

扫描二维码关注公众号，回复： 13166014 查看本文章

配置故障排查

0. 如果你是在系统环境中安装的Tensorflow，请务必阅读此条：

   查看系统的CUDA版本可以使用nvcc -V和nvidia-smi两条指令，而CUDA有 runtime api 和 driver api，nvcc -V的查询结果对应前者，nvidia-smi的查询结果对应后者。两者具体差别如下：

   www.jianshu.com/p/eb5335708…

   安装Tensorflow时，应参照runtime api版本。

1. 检查Tensorflow/CUDA/cuDNN版本是否匹配：

   点击如下链接比对推荐安装版本和自己安装的版本是否一致：

   www.tensorflow.org/install/sou…

2. 检查CUDA安装是否成功：

   tf.test.is_built_with_cuda()    #本行代码依旧在python中执行
   #如果输出的布尔值为True，则Tensorflow与CUDA的匹配没有问题
   复制代码

3. 检查cuDNN安装是否成功：

   

以上，希望能够帮到你。