环境配置实践 --Dense-U-net网络实践（3）

hello！大家好

书接上一回，我想到的解决方案有三种，一种是重头再来，重新配置和CUDA12.3对应的一系列包；第二种是看到其他博主直接在Anconda的虚拟环境中下载对应的cuda和cudnn，之后再匹配对应的tensorflow和其他package；第三种是直接在上次CPU运行的环境中加入运行到GPU的语句中看看能否运行，但是我上一次使用的虚拟环境好像被破坏了，没有找到┭┮﹏┭┮，就不考虑第三种方法了。

因此先来试试第二种ideal

try 

1.首先创建一个新的虚拟环境

conda create -n tf2.6 python=xxx

2.激活这个环境并下载CUDA 11.2，也要安装对应版本的cudnn（现在清楚了）！

conda install cudatoolkit=11.2.0
conda install cudnn=8.1.0.77

3.选择对应的tensorflow下载，我本来计划下载2.6.0，但下载不了最后照着对应关系选择2.10.0下载的。

4.下载对应需要的包：

opencv-python

scikit-image

matplotlib

5.最终用上篇文章中提到的代码进行验证

可见我的电脑能够使用的GPU 数量：

 可使用的设备信息：

cudnn

cuDNN全称NVIDIA CUDA® Deep Neural Network library， 是一个用于深度神经网络的GPU加速库，包含了为神经网络中常见的计算任务提供高度优化的实现。包括前向卷积、反向卷积、注意力机制、矩阵乘法（matmul）、池化（pooling）和归一化（normalization）等。

cuDNN的最常见用途是在深度学习框架（如TensorFlow或PyTorch）的开发中。深度学习框架开发者在编写框架时，通常会调用cuDNN，从而几乎不直接与CUDA进行交互。

CUDA Toolkit是一个更底层的工具包，其中的库是针对的是更基础的操作，比如线性代数（cuBLAS: 加速矩阵和向量运算）、信号分析（cuFFT: 用于执行快速傅立叶变换）。

cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算，因此想要在CUDA上运行深度神经网络，就要安装cuDNN。

运行 

后续进行相关搜索，发现使用tensorflow时不用写to(cuda)这样的代码，而在pytorch中需要用到。然后直接再次运行Dense网络的代码，发现后面显示我的GPU内存不足。

 显存大小是硬伤，后续再尝试解决这个问题吧

参考文章

Tensorflow与Python、CUDA、cuDNN的版本对应表_tensorflow版本对应python3.11-CSDN博客

十分钟安装Tensorflow-gpu2.6.0+本机CUDA12 以及numpy+matplotlib各包版本协调问题-CSDN博客

Windows系统下，电脑有nvidia的GPU，但是torch.cuda.device_count()显示GPU数量为0-CSDN博客

CUDA系列 | 什么是cuDNN? - 知乎 (zhihu.com) 

CUDA与cuDNN - 知乎 (zhihu.com) 

tensorflow使用显卡gpu进行训练详细教程_tensorflow怎么用gpu训练-CSDN博客 

解决tensorflow gpu报错: ran out of memory (OOM)-CSDN博客

 

【深度学习 走进tensorflow2.0】Num GPUs Available: 0问题解决-CSDN博客