DEEPLABCUT+GPU傻瓜级安装教程+常见错误纠正

安装anaconda和pycharm

在anaconda官网下载即可，pycharm在官网下载后破解。

安装DEEPLABCUT环境

在https://deeplabcut.github.io/DeepLabCut/docs/installation.html下载DEEPLABCUT包，然后在CMD中首先进入conda-environments文件夹，如：

cd C:\Users\YourUserName\Desktop\DeepLabCut\conda-environments

然后安装：

conda env create -f DEEPLABCUT.yaml

当出现activate DEEPLABCUT类似的提示字样后说明安装成功

配置GPU环境

网上有各种类似的教程，有上官网下载然后自己配置的，非常麻烦，完全没有必要，几行代码就可以轻松解决。
首先要看一下电脑的N卡驱动和CUDATOOLKIT,cudnn，TensorFlow-gpu的版本对应关系
https://www.tensorflow.org/install/source_windows
https://www.tensorflow.org/install/source#common_installation_problems
这里我安装的是TensorFlow2.2.0 对应CUDATOOLKIT 10.1 cudnn 7.6
在conda cmd中运行如下代码：
首先激活环境

activate DEEPLABCUT

然后安装TensorFlow

pip install tensorflow==2.2

然后安装cudatoolkit

conda install cudatoolkit=10.1

然后安装cudnn

conda install cudnn=7.6

中间出现的提示全部选y
安装完成后，可以使用

conda list cudnn

查看是否安装成功

常见错误

我首先在笔记本上成功调用GPU运行了程序，但是移植到台式机上在神经网络训练的时候出现了如下报错：

 Unknown:  Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
     [[node SegNet/block1_conv2/Relu (defined at media/ac/ubuntu train/Semantic-Segmentation-main/train.py:337) ]]
     [[confusion_matrix/assert_less_1/Assert/AssertGuard/pivot_f/_31/_77]]
  (1) Unknown:  Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.
     [[node SegNet/block1_conv2/Relu (defined at media/ac/ubuntu train/Semantic-Segmentation-main/train.py:337) ]]
0 successful operations.
0 derived errors ignored. [Op:__inference_train_function_6169]

我一开始以为是anaconda没安装在C盘导致没有权限调用GPU，然后卸载重装，又换了几套对应的cudnn版本，还是出现相同的错误。所以想到可能是GPU内存不够的问题。
在一开始导入库的时候添加如下代码就可以了

import os
os.environ["CUDA_DEVICE_ORDER"] = "PCI_BUS_ID"
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

# 设置GPU内存按需分配
config = tf.compat.v1.ConfigProto()#对session进行参数配置
config.allow_soft_placement=True #如果你指定的设备不存在，允许TF自动分配设备
config.gpu_options.per_process_gpu_memory_fraction=0.8#分配80%的显存给程序使用，避免内存溢出，可以自己调整
config.gpu_options.allow_growth = True#按需分配显存，这个比较重要
session = tf.compat.v1.Session(config=config)

这里os.environ[“CUDA_VISIBLE_DEVICES”] = “0”
这个数可以这样查看：

tf.test.gpu_device_name()




[name: "/device:CPU:0"
 device_type: "CPU"
 memory_limit: 268435456
 locality {
 }
 incarnation: 15086337937146025929,
 name: "/device:XLA_CPU:0"
 device_type: "XLA_CPU"
 memory_limit: 17179869184
 locality {
 }
 incarnation: 17520671211051338070
 physical_device_desc: "device: XLA_CPU device",
 name: "/device:GPU:0"
 device_type: "GPU"
 memory_limit: 4294967296
 locality {
   bus_id: 1
   links {
   }
 }
 incarnation: 3920005438857805077
 physical_device_desc: "device: 0, name: GeForce GTX 1650, pci bus id: 0000:01:00.0, compute capability: 7.5",
 name: "/device:XLA_GPU:0"
 device_type: "XLA_GPU"
 memory_limit: 17179869184
 locality {
 }
 incarnation: 5021749807776093744
 physical_device_desc: "device: XLA_GPU device"]

如果编号设置不对会调用CPU，我这里希望调用GTX 1650，所以编号是0