深度学习【PyTorch和TensorFlow】使用GPU环境配置

---

前言：电脑有GPU，但使用CUDA ，报错：AssertionError: PyTorch or TensorFlow not compiled with CUDA enabled的解决办法

一、 Anaconda

1、简介

Anaconda是一个用于科学计算的Python发行版，支持 Linux, Mac, Windows系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。Anaconda利用工具/命令conda来进行package和environment的管理，并且已经包含了Python和相关的配套工具。

2、安装

两种方法：
2.1 通过anaconda官网下载，由于Anaconda.org的服务器在国外，会导致下载慢甚至无法下载。
2.2 使用清华镜像下载自己电脑对应版本的Anaconda镜像。
一直next即可，具体安装过程可以参考一下这个博客Anaconda安装教程

二、CUDA

1、简介

CUDA(Compute Unified Device Architecture)是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

• 若对cuda感兴趣可以跳转这一篇博客进行了解CUDA10.0官方文档的翻译与学习之介绍

2、下载与安装

2.1 首先我们需要在cmd中通过nvidia-smi查看自己的GPU版本

2.2 由上面查询结果可知，我的版本是CUDA 11.2，在选择下载CUDA的时候版本不能高于自己的显卡驱动里面的版本号，我在下载时选择的是11.0版本，大家根据自己的驱动型号选择即可
下载地址：https://developer.nvidia.com/cuda-toolkit-archive

下载完成后直接点击安装，此时会跳出一个弹窗，如下图，该图是一个临时解压窗口，不需要调整路径直接点OK即可，完成后会自动删除：

• 注：安装时请保证C盘足够的内存空间，否则有可能报错
  
  

此时会跳出选择安装位置，若C盘内存足够，可直接下一步，若需要自己安装到其他盘的位置，需在目标位置建以下文件夹：
将documentation与samples放在同一文件夹下，development放在另外的文件夹下

若安装过程中出现错误：
找到安装失败的出处

关闭后重新安装，在自定义安装选项时，将加号全部展开，把相关失败选项取消

三、cuDNN

1、简介

CUDNN(CUDA Deep Neural Network library)是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。

• 若对cuda感兴趣可以跳转这一篇博客进行了解cuDNN概述

2、下载与安装

cudnn是和cuda是相互匹配的，由于我们安装的是cuda11.0，官方与之对应的cudnn是8.0。
下载地址为：https://developer.nvidia.com/rdp/cudnn-archive

根据系统类型选择下载

下载完成后将压缩包解压

将图中的三个文件粘贴到cuda文件夹下的development文件夹中

使用nvcc -V在cmd中查看环境

四、PyTorch和TensorFlow的CUDA环境配置

1、PyTorch搭建环境

1.1 创建一个conda环境：
注：根据pytorch官方给出的要求，目前pytorch只支持python3.7-3.9之间的版本，低于或高于都无法使用cuda。

创建一个名为pytorch，采用python3.8版本的环境

conda create -n pytorch python=3.8

选择y

1.2 激活环境
下载完成后，输入activate pytorch，由base->pytorch，切换环境

1.3 安装对应cuda版本的pytorch版本：
具体对应的版本请查询官方地址：https://pytorch.org/get-started/previous-versions/

我们上面下载的cuda版本为11.0，故选择这一行，根据自己cuda版本下载对应版本

conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c pytorch

1.4 测试是否安装完成：
在Anaconda Prompt中输入以下命令

python
import torch
torch.cuda.is_available()

安装成功

2、TensorFlow搭建环境

2.1 创建一个conda环境：
创建一个名为tensorflow2，采用python3.8版本的环境

conda create -n tensorflow2 python=3.8

2.2 激活环境
下载完成后，输入activate tensorflow2，由base->tensorflow2，切换环境

2.3 安装对应cuda版本的tensorflow2版本：
具体对应的版本请查询官方地址：https://tensorflow.google.cn/install/source_windows?hl=zh-cn#gpu

我们上面下载的cuda版本为11.0，故选择这一行，根据自己cuda版本下载对应版本

conda install tensorflow-gpu==2.4.0

若使用此方法下载过慢，也可使用清华镜像源下载

conda install tensorflow-gpu==2.4.0 --default-timeout=100 -i https://pypi.tuna.tsinghua.edu.cn/simple

除了清华镜像外，还可使用其他源：

中科大镜像：https://pypi.mirrors.ustc.edu.cn/simple
豆瓣镜像：http://pypi.douban.com/simple/
阿里镜像：https://mirrors.aliyun.com/pypi/simple/
百度镜像：https://mirror.baidu.com/pypi/simple

2.4 测试是否安装成功
在Anaconda Prompt中输入以下命令

python
import tensorflow as tf
tf.config.list_physical_devices('GPU')

安装成功