Windows环境下tensorflow使用GPU加速运算（详细解释）

自己在使用时从无到有的过程

一、使用以下代码进行相应的检查

1、查看tensorflow的版本：

import tensorflow as tf


print(tf.__version__)  # 查看TensorFlow的版本

2、判断cuda是否可用

print(tf.test.is_built_with_cuda()) # 判断CUDA是否可用

3、查看cuda、tensorflow-gpu和cudnn(选择下载，cuda对深度学习的补充)版本是否对应

print(tf.test.is_gpu_available())  # 查看cuda、TensorFlow_GPU和cudnn(选择下载，cuda对深度学习的补充)版本是否对应

1. 若版本不对应会返回False，可以点击这里查看您当前使用TensorFlow版本对应的CUDA和cuDNN的版本。
2. 若安装的TensorFlow不是GPU版本也会返回False。

tips：查看CUDA版本：

        打开终端输入nvcc -V

若没有安装CUDA，可以再官网进行下载

二、使用GPU运行代码

1、查看可用GPU

gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
print(gpus)

2、选择使用某一块或多块GPU

import os



os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"  # =右边"0,1",代表使用标号为0,和1的GPU

        可以使用下边的代码查看可用GPU的详细信息

from tensorflow.python.client import device_lib


print(device_lib.list_local_devices())

        这时候在运行相应的代码，就可以看到在GPU上运行了。可以通过任务管理器-性能处查看GPU使用率。

        目前我的GPU利用率最高能达到20%左右，通过在这篇博客里看到：

两种限定GPU占用量的方法：
    方法一、设置定量的GPU显存使用量:
　　config = tf.ConfigProto()
　　config.gpu_options.per_process_gpu_memory_fraction = 0.4 # 占用GPU40%的显存
　　session = tf.Session(config=config)
    方法二、设置最小的GPU显存使用量，动态申请显存:（建议）
　　config = tf.ConfigProto()
　　config.gpu_options.allow_growth = True
　　session = tf.Session(config=config)
————————————————
版权声明：本文为CSDN博主「万道一」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_38299170/article/details/103836393

        但此方法对我的机器并不适用，因为我的显卡不是太好，一些壕们可以使用此方法进行提高GPU利用率。