CUDA、VS、tensorflow坑我笔记

前言

前段时间由于课程需要使用VS编写CUDA程序，刚好我一直又有使用tensorflow的需求，于是年少无知的我就开始一个一个的安装。

入坑

首先使用

pip install tensorflow

安装tensorflow，由于没加版本号，自动安装了最新版的tensorflow2.3.0，安装过程也没啥问题。

下面开始安装VS，毫无疑问直接进入官网就开始下载VS2019安装，安装过程也很简单，选择自己需要的功能以及安装路径之后耐心等待即可。

安装好VS后，最后安装CUDA，同样进入NVIDIA官网，在菜单栏的开发者里找到CUDA，然后选择适合你电脑系统的版本就开始下载安装，这种方式默认下载的最新版本的CUDA11.0，此外由于需要对tensorflow提供支持，还需要下载CUDA11.0对应版本的cuDNN，CUDA和cuDNN的安装方式可以参考博客cuda安装教程+cudnn安装教程。

进行到这儿，一切看起来似乎挺顺利的，但是最终安装好了没有还得测试一下。首先打开VS2019在新建项目里已经有了一个CUDA11.0项目，新建一个项目测试也没问题，VS+CUDA算是没问题了；下面测试tensorflow，使用输入下面的代码

import tensorflow as tf
tf.test.is_gpu_available()

如果输出结果是True，那么恭喜，但是天不随人愿，输出的结果是False。

脱坑

从上面结果初步推断可能是tensorflow和CUDA的版本不兼容，进入tensorflow官网，

果不其然是版本不兼容的原因，我这里安装的CUDA版本是11.0太高了，而最新版的tensorflow2.3.0也才支持CUDA10.1，好吧，只有卸载CUDA从新安装了（这里笔者使用的win10控制面板卸载的，反正根据软件的名字、发布者和安装时间卸载了老大一堆，反正注意着不要吧你的显卡驱动卸载就行），从新下载CUDA10.1以及对应的cuDNN，按照上面提供的方法再次安装即可。

安装好CUDA10.1之后，再次测试

import tensorflow as tf
tf.test.is_gpu_available()

结果终于是True了，tensorflow+CUDA也没问题了，看似大功告成时，为了以防万一，再次测试VS能不能使用CUDA，当我新建VS项目时，却赫然发现新建项目列表却没有CUDA项目了。行吧，我再次查了一下是不是也是VS和CUDA版本不兼容的问题，在CUDA程序的代码模板文件路径中（找了好久才找到，这个是安装CUDA后产生的CUDA程序模板文件路径）

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1

有VS2012、2013、2015、2017的解决方案文件，但是就是没有VS2019的，看来应该还是VS和CUDA版本兼容的问题，于是一狠心又卸载了VS2019（这个卸载还是简单，控制面板选中卸载即可），然后又去找了半天的VS2017安装。

再次安装好VS2017后，本以为这次该没问题了吧，没想到的是，打开VS2017后还是没有CUDA项目，此刻我心里真的是…。后来又查了老半天资料，说是要先安装VS再安装CUDA，由于刚刚卸载过VS，所以VS是比CUDA后安装的，没办法就只能再次卸载了CUDA然后从新安装。

最终安装好CUDA后，测试VS，新建项目终于有CUDA项目了，测试也没问题，再次测试tensorflow

import tensorflow as tf
tf.test.is_gpu_available()

结果也是True，好了，大功告成。

总结

如果同时有CUDA、VS和tensorflow的需求，推荐使用：CUDA10.1 + VS2017 + tensorflow2.3.0
如果仅有CUDA和VS的需求，推荐使用：CUDA11.0 + VS2019
如果仅有CUDA和tensorflow的需求，推荐使用：CUDA10.1 + tensorflow2.3.0
需要注意的是，安装CUDA和VS时，应该先安装VS，再安装CUDA。
最后再推荐一波国产深度学习框架paddlepaddle，毕竟是国产的，而且没有对CUDA的要求，只有对cuDNN的要求。