Anaconda配置一套带有tensorflow-gpu新环境的顺序（GPU版本）

Pycharm、Anaconda安装和TensorFlow的环境搭建总目录

1常识介绍

显卡：（GPU）
驱动：没有显卡驱动，就不能识别GPU硬件，不能调用其计算资源。
CUDA：GPU的并行计算框架
cudnn：针对深度卷积神经网络的加速库。

2显卡驱动安装

在命令行输入nvidia-smi （连着的，无空格）如果能正常显示，则跳过此步骤。

不能正常显示，说明显卡驱动未正确安装。

安装显卡驱动两种方法：
1、到电脑品牌官网下载显卡驱动。（一般比较稳定）
2、到显卡官网下载显卡驱动。（版本较新，如果电脑因为显卡驱动出问题，可以下载较新版本，可能解决了相关问题）
N卡驱动下载地址如下：(需要科-学-上-网)
https://www.nvidia.cn/Download/index.aspx?lang=cn
选择相关产品型号，下载慢的话，复制链接地址到迅雷下载。

3查看显卡驱动所对应的CUDA版本

查看显卡驱动所对应的CUDA版本的两种方法：
1、在命令行输入nvidia-smi 在右上角可查看到CUDA版本为 CUDA Version: 11.2

2、在显卡控制面板-系统信息-组件，查看对应的CUDA版本为11.2.154

---

4下载CUDA

下载CUDA和cuDNN时候可能会很慢，可以右键下载按钮，复制下载地址，到迅雷下载。

CUDA下载网站
https://developer.nvidia.com/cuda-downloads 最新版本
https://developer.nvidia.com/cuda-toolkit-archive 较早版本
本机下载的是11.2.2，应该是对应前两个版本号即可， 即11.2.x的都可以。
下载完后，双击运行弹出的文件夹路径为临时解压文件路径，默认即可，安装完成会删除。其余配置全部默认，直接下一步

---

5下载cuDNN

cuDNN下载网站（需要注册账号，但是注册时候要科-学-上-网,下载时候就不用了）
https://developer.nvidia.com/zh-cn/cudnn

下载CUDA11.x相对应的 cuDNN8.2.1 (下载cuDNN界面有显示对应关系，务必对应)
解压下载的文件，将三个文件，复制到CUDA的安装目录

---

6搭建tensorflow-gpu环境的步骤

首先查看tensorflow和cuda的对应关系
https://www.tensorflow.org/install/source_windows
https://tensorflow.google.cn/install/source_windows

搭建新环境命令，在Anaconda Prompt中执行，不是Powershell
注意版本的对应关系，如下为本人使用的版本
如果没装Anaconda，请参见：Anaconda安装步骤

conda create --name Deeplearning_practice_gpu python=3.8 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
activate  Deeplearning_practice_gpu   #注意一定要激活该环境，并切换到该环境
python -m pip install --upgrade pip  -i https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip install tensorflow-gpu==2.4.0  
pip install scikit-learn
pip install opencv-python
pip install xlrd
pip install matplotlib
pip install pandas

如果清华源下载慢，可更换源，常见源如下：
清华大学：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
清华大学：https://pypi.tuna.tsinghua.edu.cn/simple/
清华大学：https://pypi.tuna.tsinghua.edu.cn/simple
清华大学：https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
阿里云：https://mirrors.aliyun.com/pypi/simple/
豆瓣：http://pypi.douban.com/simple/
中国科学技术大学：http://pypi.mirrors.ustc.edu.cn/simple/
中国科学技术大学：https://mirrors.ustc.edu.cn/anaconda/pkgs/free

---

7测试环境是否搭建成功

1、在conda环境中输入 nvcc -V 查看CUDA是否安装成功，能正常显示一般就没问题了。

2、新建py文件，通过代码测试一下：

import tensorflow as tf
# print(tf.test.is_gpu_available())
print(tf.config.list_physical_devices('GPU'))

print(tf.test.gpu_device_name())

# GPU加如下
physical_devices = tf.config.experimental.list_physical_devices('GPU')
print(len(physical_devices))
assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
tf.config.experimental.set_memory_growth(physical_devices[0], True)

3、使用GPU跑代码需要在代码前加如下(好像不加也行？欢迎评论指正)
应该是不加也行，关键需要把tensorflow-gpu和cuda的版本对应

# GPU加如下
physical_devices = tf.config.experimental.list_physical_devices('GPU')
print(len(physical_devices))
assert len(physical_devices) > 0, "Not enough GPU hardware devices available"
tf.config.experimental.set_memory_growth(physical_devices[0], True)

---

8常见问题

1、在Pycharm中，运行程序，报错：
Could not load dynamic library ‘cusolver64_10.dll’;
解决：
到如下目录中，将cusolver64_11.dll复制一份改名为cusolver64_10.dll
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin

修改后正常运行了，但是GPU利用率太低，可将batch_size调大即可。

---

经过如上步骤，如果不能用GPU进行训练，依次进行排查。
先重启一下！！！

2、查看显卡驱动是否正确安装：
cmd输入nvidia-smi
如果不能正确显示，请到电脑品牌官网或者显卡官网下载显卡驱动。
N卡驱动下载地址 需要科学上网
https://www.nvidia.cn/Download/index.aspx?lang=cn

3、查看CUDA是否正确安装：
在conda环境中输入 nvcc -V
如不能正确显示，可能CUDA、cuDNN未正确安装，或者版本不匹配等。

4、重装系统后，开始菜单的Anaconda Powershell Prompt消失了
在anaconda目录执行命令
python .\Lib_nsis.py mkmenus

相关链接：

Anaconda配置一套带有tensorflow新环境的顺序（CPU版本）

Pycharm、Anaconda安装和TensorFlow的环境搭建总目录