Anaconda下tensorflow-gpu的安装

版权声明：博客探讨学习，有问题欢迎指正，转载请注明出处。 https://blog.csdn.net/H_hei/article/details/85062309

1. 确定电脑是否可以安装GPU深度学习环境

进入网址 ： https://developer.nvidia.com/cuda-gpus 去里面查看即可

一般英伟达的都可以amd的现在有的也支持。

2. 下载配置所需的CUDA和cuDNN

cuDNN下载（下载需要注册登录，用谷歌账号即可）

cuDNN网址：https://developer.nvidia.com/rdp/cudnn-download 进入网址打钩同意许可条款。进入如下界面下载所需要的版本即可。需要注意的是支持的CUDA版本需要记住：

CUDA下载

CUDA网址： https://developer.nvidia.com/cuda-toolkit 进入网址下载对应系统版本的cuda。

3. CUDA安装及cuDNN安装

• CUDA安装按默认操作即可，安装完后会自动添加一系列环境变量。
• cuDNN解压到自己想要放置的文件即可：然后cuDNN解压后的文件需要定位到如下图：
  
  然后配置环境变量到Path中：
  
  到这里准备工作就做完了，下面是配置GPU环境。

4. 创建新的GPU环境(给出命令操作，也可界面操作)

conda create --name tensorflow-gpu python=3.6 anaconda 

上面tensorflow-gpu名字可以随便起，这个过程需要下载包，可能会比较慢。如果失败可以重新执行下。

5. 安装tensorflow-gpu

• 首先进入刚创建的环境，配置gpu环境
  

activate tensorflow-gpu

• 安装gpu版本tensorflow

pip install tensorflow-gpu

到这里基本已经安装好了， 下面是测试内容

6. 测试

安装好之后出现：

我们直接进入Anaconda Prompt 中操作

打开jupyter lab后新建notebook测试，可以看到设备信息：

测试代码

import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"
if __name__ == "__main__":
    print(device_lib.list_local_devices())

import numpy
import time
import tensorflow as tf
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)  
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))  
print(sess.run(c)) 
start = time.time()
sess.run(c)
print(time.time()-start)

在日志中也会有以下提示信息：

注：GPU环境并不是只用GPU而是用GPU做优化，例如在矩阵运算中GPU相当快速，但是排序还是CPU比较擅长。在深度学习中，以卷积神经网络为例，性能消耗在了卷积的过程中，而转换为去使用GPU去做矩阵运算能提高很大的性能。