WIN7下配置GPU加速的深度学习环境（五）——多版本CUDA共存（不同版本Keras/TensorFlow之间的切换）

---

一、安装NVIDIA Driver、CUDA和cuDNN

WIN7下配置GPU加速的深度学习环境（一）

二、安装Anaconda (python)

WIN7下配置GPU加速的深度学习环境（二）

三、安装基于TensorFlow的Keras

WIN7下配置GPU加速的深度学习环境（三）

四、安装PyTorch

WIN7下配置GPU加速的深度学习环境（四）

五、多版本CUDA共存（不同版本Keras/TensorFlow之间的切换）

1. 多版本CUDA及cuDNN安装

首先，按照WIN7下配置GPU加速的深度学习环境（一）中的步骤正常安装主版本的CUDA和cuDNN，记得添加环境变量。然后，安装所需的其他版本CUDA，注意这时选择自定义安装，并且只安装CUDA，再下载对应的cuDNN版本解压复制粘贴到新版本CUDA的目录下。此时，记得在环境变量中添加新版本CUDA的两个路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp，并且一定要放在主版本CUDA的所有路径之后！！

比如，我先安装了CUDA10.2，又自定义安装了CUDA9.0，那么环境变量里的顺序一定要是..\v10.2\bin、..\v10.2\libnvvp、..\v9.0\bin、..\v9.0\libnvvp，这样多版本的CUDA的安装完成辣~

同样地，进入..\v9.0\extras\demo_suite路径下分别执行bandwidthTest.exe和deviceQuery.exe即可测试新版本CUDA是否安装成功。

2. 不同版本Keras/TensorFlow之间的切换

前面已经提到过，CUDA、Python和Keras/TensorFlow的版本之间有着非常严格的对应关系，并且各个版本之间的差异比较明显，有时候可能需要使用不同版本的Keras/TensorFlow，切换起来非常麻烦。

而现在已经安装好了不同版本的CUDA和cuDNN，就只需在Anaconda下不同版本的python/spyder环境中安装对应的Keras/TensorFlow，就可以直接使用了。只要环境变量Path中有相应的CUDA路径即可，不需要手动再调整CUDA路径的顺序了。无需手动切换！无需手动切换！无需手动切换！重要的事情说三遍。 tensorflow在运行的时候会自动在环境变量中寻找合适的CUDA版本，直到找到为止，如果没有，则会报错。

例如，我先安装了CUDA10.2+cuDNN7.6.5，相应地，在Anaconda中建了一个Python3.7.3的环境，并在其中安装了tensorflow-gpu2.2.0+keras2.3.1，然后我又想用1.x版本的tensorflow，于是我新安了CUDA9.0+cuDNN7.0.5，并将对应的两个路径（..\v9.0\bin、..\v9.0\libnvvp）添加到了环境变量中CUDA10.2之后的位置，接着在Anaconda中又新建了一个Python3.6的环境，在其中安装了tensorflow-gpu1.10.0+keras2.2.0。

现在当我想使用tensorflow-gpu2.2.0时，只需进入python3.7.3的环境即可，同样想使用tensorflow-gpu1.10.0时，切换到python3.6中就好辣~

如何在Anaconda下配置多版本python环境请参考WIN7下配置GPU加速的深度学习环境（二）。

[1]. windows下同一个显卡配置多个CUDA工具包以及它们之间的切换