记录安装tensorflow-gpu版本时遇到的一些问题
我现在用的时Pycharm，里面的Interpreter使用的是Anaconda的python.exe。我的想法是，把所有的package全都放在一个Interpreter里，这样的话，以后我不管运行什么文件都可以只是用这个Interpreter，从而不需要安装重复的package。
但事实上，我请教了一些大佬，他们说tensorflow一般都单独创建一个虚拟环境，因为像tensorflow, pytorch之类谁知道混在一起就会崩了。而我看了网上的一些教程也都是让你先创建一个名为tensorflow的环境，然后安装进去之类…
再然后就是，我使用Pycharm的时候会遇到一些问题，有时候我会绕过去，但早晚还会再遇见这些坑，于是这次我又跳了进去…但最后还是跳了出来。
一、首先是Anaconda的安装
正常默认安装, 记得勾选添加环境变量。
打开Anaconda Prompt,输入
conda info --e
显示结果如下，它要我们激活这个base:
此时，我们执行
conda activate base
我们就进入了base
接着在这里输入
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.0.0a0
OK，tensorflow-gpu版本就已经安装完成了！
二、然后我们安装Cuda
https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&target_arch=x86_64&target_version=10&target_type=exelocal
选择version10安装，然后全都默认安装到结束。
然后就是cudnn的安装
https://developer.nvidia.com/rdp/cudnn-download
下载之后解压缩，然后将文件夹的内容放到Cuda的安装目录下（需要自己建立一个名为cudnn的文件夹）
最后就是环境变量的配置了。在安装的时候机会有前两个环境自动配置好，而我们需要手动配置后两个：
至此，Cuda算是安装完成了。
正常默认安装, 记得勾选添加环境变量。
三、记录一下安装tensorflow-gpu遇到的一些问题
装完之后，运行以下测试代码(来自网络)
import tensorflow as tf
import timeit
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)
此时结果是正常出来了，但是报出如下：
意思是你的 CPU 支持AVX AVX2 （可以加速CPU计算），但你安装的 TensorFlow 版本不支持。但我用的是GPU的Cuda加速，想想就不需要CPU了。虽然这些不是警告也不是错误，但看起来还是不舒服。
查找了忽略这些信息的一些方法：
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '1' # 默认，显示所有信息
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '2' # 只显示 warning 和 Error
os.environ["TF_CPP_MIN_LOG_LEVEL"] = '3' # 只显示 Error
因此，对于现在的情况，我们选择‘2’
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
结果如下：
