(流程大全)tensorlow-gpu+CUDA+cudnn环境的配置

(步骤清晰)tensorlow-gpu+CUDA+cudnn环境的配置

走进深度学习的第一步就是配置好深度学习网络框架的环境，GPU的适配是深度学习中必不可少的。

第一步：查看自己的Windows上nvidia显卡的基本信息

• 在命令行中输入nvidia-smi指令
  
• 关键信息为驱动版本Driver Version: 527.37，CUDA Version: 12.0

第二步：驱动版本需要与CUDA版本对应

上图引用自https://hexo.liferecords.top/post/2882574261.html

• 如果上表中无法找到你的驱动版本，则可以访问官网查询（官网没有对各个CUDA对应驱动情况进行整合）
• 如若你想要更新你的驱动版本，可以到官网选择你的显卡对应的驱动进行下载NVIDIA Driver Downloads(https://www.nvidia.com/download/index.aspx?lang=en-us)

第三步：tensorflow-gpu版本需要与CUDA版本和CUDNN对应

• 这里的版本号代表最大支持版本，并向下兼容。
• 同时如果上表中无法找到你的tensorflow-gpu版本，则可以访问官网(https://tensorflow.google.cn/install/source?hl=en#gpu)查询
• 在上述二、三步的判断后，确定你的CUDA版本，进入官网下载CUDA Toolkit下载网址(https://developer.nvidia.com/cuda-toolkit-archive)
• 在安装CUDA时，建议直接使用默认的安装方式。

#tensorlfow-gpu的安装，直接使用pip即可，2.1.0可换成你所需的版本号
pip install tensorlfow-gpu=2.1.0

第四步：下载安装CUDA对应的CUDNN

第三步的表中已经给出了CUDNN的具体对应情况，进入官网下载(需要注册)cuDNN下载网址(https://developer.nvidia.com/rdp/cudnn-archive)
下载解压完成之后直接把里面的所有文件复制到CUDA Toolkit安装目录中
安装目录的查找方法：

• 打开你的环境变量，如若你按照默认的安装方式，则类似于下图中的路径即为CUDA Toolkit安装目录。
  
• 复制到该文件夹路径即可（下图为复制后的文件夹）

第五步：启动环境，验证是否成功

• 命令行输入：

# 查看tensorflow版本信息
conda list tensor
# 查看系统的cudatoolkit版本。
conda list cud

关于cudatoolkit版本，可能通过该命令无法查询到具体的信息，此命令仅仅作为参考，不影响最后结果。
若在安装完CUDA后使用nvidia-smi命令，CUDA版本未更新，也属于正常现象。

• 创建python文件：

# 查看tensorflow-GPU是否兼容CUDA
import tensorflow as tf
print(tf.config.experimental.list_physical_devices('GPU'))
# 若成功使用GPU则输出：
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

若输出上述信息则恭喜你，环境配置成功，可以使用GPU运行TensorFlow程序