GeForce MX150相对应的NVIDIA CUDA版本_【Python】什么，安装Anaconda后不需单独安装CUDA？零基础如何使用GPU？...

引子——为何使用GPU计算？

相信很多人都十分向往使用GPU进行并行计算，因为CPU做并行计算将花费大量的时间，这对我们来说是非常不友善的。这是为什么呢？因为CPU善于进行串行计算，所以在设计上使用了大量的晶体管用于各类逻辑电路。实际上只有大约20%的晶体管用于运算单元。而GPU是属于并行处理器，控制和缓存电路相对少很多，所以80%的晶体管数量用于运算单元。并且同时期的GPU晶体管数量远远高于CPU。因此，你可以理解为，一个程序内并行计算的部分越多，GPU的优势就会越大。一般来说，使用tensorflow进行GPU计算需要的是：硬件支持、tensorflow的gpu版本、合适版本的cuda、合适版本的cudnn。

电脑要做哪些准备？

首先，计算机必须拥有支持并行计算的设备，也就是说，你的显卡必须满足要求。笔者的显卡是NVIDIA的Geforce-GTX960，因此可以满足要求，如何查看显卡是否满足不再赘述，可以自行百度。

虽然安装Anaconda并不是必须，不过鉴于管理各种包对于新手的难度，建议安装。

除此之外，您的电脑最好拥有Python的集成开发环境，举例而言：Pycharm，否则您没有地方去敲代码，仅仅使用python的IDLE是难以管理巨大的工程项目的。

其余准备请参见我的另一篇知乎文章：

平凡的世界：【Python】写给Python新手的话​zhuanlan.zhihu.com

开启GPU之路

为了便于叙述，我们以Tensorflow为例进行解说。

请不要去看电脑里各种各样的教程，因为他们都是让你去官网下载cuda和cudnn，然后各种添加环境变量，各种版本必须兼容，会把你搞得身心俱疲。其实安装过程十分简单。

第一步：打开anaconda，选择一个虚拟环境，安装tensorflow和tensorflow-gpu命令如下：

conda install -c aaronzs tensorflow-gpu

注意，由于keras对python3.7版本支持尚不稳定，笔者选了一个python3.6的环境进行安装，读者可以尝试3.7的版本，如果不行再重新安装，如下图所示：

保险起见，笔者选择了3.6版本的python

tensorflow相关“包”已经出现在右侧

第二步：此后，您可以键入以下代码：

conda install -c anaconda cudatoolkit
conda install -c anaconda cudnn

再来看这个环境，您可以发现这个虚拟环境里已经出现了cuda和cudnn，也就是说，Anaconda已经帮您安装好了。如下图所示：

请注意图中的cudatoolkit和cudnn

第三步：

打开你的pycharm，新建一个python文件，输入测试代码：

import tensorflow as tf
Hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(Hello))

如果可以运行，并看到了GPU计算的结果，那么恭喜，您已经安装完成。比网上漫天卷地的教程要全得多，也要靠谱得多。

疑难解答

如果上述步骤并不能运行您的GPU，问题极有可能处在了版本方面。您可以进行尝试。

第一、您的python版本是否合适，请注意匹配。

第二、您的tensorflow-gpu版本是否合适，请注意匹配。本人最初是1.11，结果报错，利用anaconda升级到1.8.0，问题便解决。升级方法如下：右键单击升级的包，选择mark for update，选择右下角的apply，即可启动升级，当然您也可以选择更多其他符合要求的版本，只需选择最下面的mark for specific version installation即可。

改变tensorflow-gpu的版本

第三、如果还不能奏效，您需要检查cuda和cudnn的版本是否适配，并利用刚刚的方法进行版本的改变。

如果您觉得有帮助，欢迎点赞+关注，如有问题可在评论区留言，感谢您的支持。