CUDA
1.安装了最新版的cuda10,也安装了对应版本的cudnn-7,对应10
2.新建虚拟环境
conda create -n your_env_name python=3.6
3.安装tensorflow-gpu
conda install -n your_env_name tensorflow-gpu
下载了最新的1.12版本,可能是没加环境变量(?)自动下载了cuda9
之后自动下载了cudnn-7
4.安装keras
activate your_env_name
conda install -n your_env_name keras
import keras
伴随一行输出:
Using TensorFlow backend.
注意事项
1.conda安装最新版的,卸载:在安装文件夹下的uninstall*.exe;安装:https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
2.测试代码:
使用pycharm
import tensorflow as tf
with tf.device('/cpu:0'):
a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
c = a + b
# 注意:allow_soft_placement=True表明:计算设备可自行选择,如果没有这个参数,会报错。
# 因为不是所有的操作都可以被放在GPU上,如果强行将无法放在GPU上的操作指定到GPU上,将会报错。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
# sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))
预期结果:出现显卡相关信息即OK
结论,最后发现,conda功能很强大,第1步实际上是无效步骤