实测成功配置信息1：
Windows10，GT755m, Capability 3.0
- Ana(Mini)conda管理，环境 Python 3.6(.13)
- Cuda=9.0 Cudnn=7.0 Tensorflow_gpu=1.10.0（1.11.0 就已经不行了）
- matplotlib = 2.2.5, pandas = 1.0.0 （限制版本是因为不能破坏tensorflow对numpy依赖：<=1.14.5，更高的版本没有试）
- jupyter = 1.0.0 （Miniconda 需要自装，高版本未测）
更新！
在 tf 训练时发现一条信息（不是错误，不理它也没关系）：“Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA”
说明 pip 库的 tf-gpu 版本不支持 cpu 的 avx2，这是因为gpu版本下 cpu 的支持不是很重要，且不是所有 cpu 都支持avx2，官方库优先考虑了兼容性。但我们只有3.0算力的显卡，如果弹出了这条信息，那还是尽可能提升 cpu 的性能能力吧。
avx2 支持需要 tf 源码在编译时加入特定的编译选项，比较麻烦。好在 github 上有别人编译好的，直接下载并用 pip 本地安装。
实测支持AVX2 的配置：
github 库中 tf 的版本和配置为： Tensorflow_gpu=1.10.0 (GitHub - fo40225/tensorflow-windows-wheel: Tensorflow prebuilt binary for Windows) Cuda=9.2（+ 官网 patch） Cudnn=7.2。 实测成功，avx2警告消失，gpu 可用。 测试使用Windows 10平台
实测成功配置信息2：
Arch Linux: kernel 5.4-LTS，GT755m, Capability 3.0
- Ana(Mini)conda管理，环境 Python 3.8
- Cuda=10.2(显卡最高支持的版本) Cudnn=7.0 Tensorflow_gpu=2.8.0（源码编译，禁用XLA）
- NVIDIA 驱动 470.103.01 (kernel 5.4可用且支持老显卡)
下载了源码，设置两线程编译，纯编译 14h 。不浪费大家时间，且中间踩坑都在免费资源的帮助下解决，所以 0币下载，自取，下载前看看资源介绍里的配置信息：
https://download.csdn.net/download/ZhenghaowenCSDN/85047916编译过程记录（可跳过）：
显卡驱动准备：看看是适用于哪款驱动，同时适配Linux kernel和老显卡Appendix A. Supported NVIDIA GPU Products
CUDA&CUDNN准备：搜一圈，据称我的显卡最高支持到cuda10.2，自己也验证过了cuda11确实不支持。cudnn在NVIDIA官网下载，一定要选适配cuda10.2的。
总体编译过程按官网走：从源代码构建 | TensorFlow，Bazel 4.2.1 版本
configure 后 生成的编译配置文件小修改：很重要！！ 算力3.0老显卡不支持XLA技术，这是装不了高版本TF的主要原因，所以编译时要禁掉 XLA。非常感谢大神的方法：https://github.com/tensorflow/tensorflow/issues/46653
做法：生成在源码目录里的.tf_configure.bazelrc文件：删掉 build:xla 行（如果有的话），添加
build --define=with_xla_support=false
build --action_env TF_ENABLE_XLA=0Bazel 编译命令小修改：内存限制+禁用XLA
bazel build --config=cuda --local_cpu_resources=2 --discard_analysis_cache --copt=-DTF_EXTRA_CUDA_CAPABILITIES=3.0 //tensorflow/tools/pip_package:build_pip_package- --config=cuda 是官网编译教程给的
- 内存限制：我的内存只有8G，前几次编译的过程中爆内存，因此必须限制编译时的内存消耗
- --local_cpu_resources=2：只允许开两个线程，每个线程都会耗内存，开多了容易爆
- --discard_analysis_cache：不太懂，大概是编译完就丢掉一些缓存，腾出一些内存空间，从Bazel 官网抄来：Memory-saving Mode - Bazel main
- --copt=-DTF_EXTRA_CUDA_CAPABILITIES=3.0：很重要！！禁掉XLA
编译一开始需要收集资源，可能有联网问题，停止运行再重开试试。编译中途停止不要怕，有缓存的，重开后不会从头开始。
最后生成wheel的时候有些 warning 不用理。
NUMPY 问题一定要注意：在编译环境中，numpy 版本要与 tensorflow 版本匹配，因为编译时会链接到编译环境中的 numpy。之前编译 tensorflow 2.4 时环境中装了过高版本的 numpy (1.22,实际只支持到 1.19)，导致编译好的 tensorflow 在 import 的时候需要 numpy 1.22，而跑模型的时候又会因为不适配高版本numpy 而报错；装回numpy 1.19 时又无法 import tensorflow。这就产生了一个无解的问题，numpy 要降版本但又降不了。
配后检查 Windows：
import tensorflow
tensorflow.test.is_gpu_available()
性能检测：
import tensorflow as tf
import timeit
# 基本信息查询
tf_gpu_ok = tf.test.is_gpu_available()
print("TF Ver: ",tf.__version__)
print("TF GPU Use: ",tf_gpu_ok)
# 大矩阵乘法
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)
# 不同芯片运行
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
# 计算运算时间 对比芯片性能
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('Tensorflow warmup /CPU,GPU/: ', cpu_time, gpu_time)
cpu_time = timeit.timeit(cpu_run, number=100000)
gpu_time = timeit.timeit(gpu_run, number=100000)
print('Tensorflow run time /CPU,GPU/: ', cpu_time, gpu_time)性能检测2：Linux gpu版
跑模型，官编 tensorflow-cpu 一个step 23ms，自编 tensorflow-gpu 一个step 21ms，测试中性能基本一样。这也是3.0算力的显卡不再得到官编支持的原因。
观察具体情况，gpu使用率跑到 65%，显存总共 2G 占了 95%，说明显存更可能是老gpu加速的瓶颈。
9万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
