tensorflow基础学习-anaconda方式安装tensorflow（gpu-1.13.0版本）

前言

关于anaconda方式安装tensorflow(cpu版本)之前已经有博客写过了。这一次更新一下anaconda方式安装tensorflow（gpu版本），他们的区别在于TensorFlow-gpu版对安装的要求要高些，需要NVIDIA的驱动及CUDA工具支持。

1、关于CPU、GPU、CUDA、cuDNN的理解

关于这一块，我刚刚入门，就直接引入了别人写好的理解关于CPU、GPU、CUDA、cuDNN的理解

gpu与cpu
GPU（图像处理器，Graphics Processing Unit）和CPU（中央处理器，Central Processing Unit）在设计上的主要差异在于GPU有更多的运算单元（如图中绿色的ALU），而Control和Cache单元不如CPU多，这是因为GPU在进行并行计算的时候每个运算单元都是执行相同的程序，而不需要太多的控制。Cache单元是用来做数据缓存的，CPU可以通过Cache来减少存取主内存的次数，也就是减少内存延迟（memory latency）。GPU中Cache很小或者没有，因为GPU可以通过并行计算的方式来减少内存延迟。因此CPU的Cahce设计主要是实现低延迟，Control主要是通用性，复杂的逻辑控制单元可以保证CPU高效分发任务和指令。所以CPU擅长逻辑控制，是串行计算，而GPU擅长高强度计算，是并行计算。
GPU加速是通过大量线程并行实现的，因此对于不能高度并行化的工作而言，GPU就没什么效果了。而CPU则是串行操作，需要很强的通用性，主要起到统管和分配任务的作用。
CUDA
CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
cuDNN
cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

2、检查硬件环境配置

（1）检查显卡驱动信息

先找到NVIDIA Control Panel，检查驱动版本是否支持CUNA10.0

我的驱动是457.52，所以可以进行接下来的安装，如果发现电脑驱动过低，我看到有些博客有谈到可以在NVIDIA官网更新驱动
（2）安装前确定版本信息
这里借用tensorflow各个版本的CUDA以及Cudnn版本对应关系

我这里打算安装

tensorflow1.0+的版本可能更适用于初学者学习网上的代码

3、创建虚拟环境

打开Anaconda中的 Anaconda Prompt

输入命令创建新的虚拟环境

conda create -n TF113GPU python=3.6.9

注意安装的版本，这里的版本和上面的表格是对应的

4、激活虚拟环境

输入命令

activate TF113GPU

进入虚拟环境

5、安装CUDA

查看可供安装的版本

conda search cudatoolkit

查看之前我要安装的tensorflow_gpu-1.13.0，我需要安装cuda版本是10.0的
安装cuda命令

conda install cudatoolkit=10.0.130

我这里第一次安装的时候出现了错误

猜测可能访问速度过慢导致的报错，于是简单直接重新安装了一次就好了，后来查了一下关于这个错误的解决方法解决方法

5、安装cudnn

同样，先查找可安装的版本

conda search cudnn

我安装cudnn版本是7.3.1的
进行安装

conda install cudnn=7.3.1

6、安装tensorflow-gpu

同样，可以查看可安装的版本

conda search tensorflow-gpu

我这里安装的是tensorflow1.13.1

conda install tensorflow-gpu=1.13.1

7、安装成功进行测试

这里还是可以采用三种方法进行测试，测试方法见anaconda安装tensorflow的第四点：安装成功后进行测试（三种方法）
这里我出现了报错

我这里numpy与python版本不匹配，将numpy版本降至1.16.4
卸载numpy

conda uninstall numpy

安装低版本numpy

conda install numpy==1.16.4

这里我conda卸载后出现了问题我改成了pip卸载安装

pip uninstall numpy

pip install numpy==1.16.4

完成后我们可以查看安装的版本

conda list

重新进行测试

ps：删除虚拟环境
我之前爬坑装了好几个虚拟环境，现在需要删除一下

conda remove -n TF113GPU --all

中间替换成自己定义的虚拟环境名