机器学习GPU环境配置

目录

ANACONDA&Pycharm

版本对应关系(经过官网测试)

TensorFlow&keras

CUDA

CUDNN

配置测试

---

ANACONDA&Pycharm

这两个软件没啥需要注意的，正常下载就行了，Pycharm图标我这里配的是专业版的，下载社区版的其实就够用了。

 

版本对应关系(经过官网测试)

这一步是重中之重，在下载各种库之前一定要提前确定好自己要下载的版本，最新的不一定是最好的，最稳定的一定不差。比如我选择的是2.6.0版本的TensorFlow以及对应工具，其实下面的图中编译器和构建工具可以忽略，我们只用关注其他的软件对应版本就行了。

TensorFlow&keras

TensorFlow默认下载最新的版本，而最新的版本在上面的版本关系对应图中是没有的，所以一定不能直接：

pip install tensorflow-gpu

怎么看你的TF-GPU版本呢？

使用WIN+R打开命令行，输入：

pip list

 还有一点很重要：keras的版本要与tensorflow一致，如上图所示。

如果你发现自己的TF-GPU版本有误，可以：

pip uninstall tensorflow-gpu
pip install tensorflow-gpu==2.6.0
(pip install tensorflow==2.6.0)

如果你的GPU不是N卡，那么到这里就可以结束了……

CUDA

根据你下载的TF版本，在上面图中找到对应的CUDA版本，并下载即可。

CUDA下载地址

安装过程有些细节需要注意，建议看看其他教程（b站

CUDNN

根据自己选择的TF版本，下载对应版本的CUDNN：

CUDNN下载地址

CUDNN下载之后是一个压缩包，需要将其解压，并将CUDNN三个文件夹中内容复制进CUDA中，比如将下图中CUDNN的bin文件夹中所有内容复制进CUDA的bin文件夹。

CUDNN：

CUDA：

 

配置测试

import tensorflow as tf
tf.test.is_gpu_available()

在python中键入以上代码，如果显示"True"则配置环境成功。