Anaconda3 python 3.7、TensorFlow2、CUDA10、cuDNN7.6.5

日萌社

人工智能AI：Keras PyTorch MXNet TensorFlow PaddlePaddle 深度学习实战（不定时更新）

---

安装

TensorFlow2、CUDA10、cuDNN7.6.5

Anaconda3 python 3.7、TensorFlow2、CUDA10、cuDNN7.6.5

TensorFlow 2.0 环境搭建

window下安装 Keras、TensorFlow（先安装CUDA、cuDNN，再安装Keras、TensorFlow）

---

下载NVIDIA驱动：https://www.geforce.cn/drivers     

TensorFlow2.0需要cuda10，所以应该装410.48以上版本驱动 

---

CUDA、cuDNN百度盘下载

链接：https://pan.baidu.com/s/19R-SdGCy8klKjYQhckGTew 
提取码：ug14 

CUDA、tensorflow版本清单：https://tensorflow.google.cn/install/source#linux
CUDA下载：https://developer.nvidia.com/cuda-toolkit-archive

CUDA、cuDNN、tensorflow版本要求清单 

注意：使用cuDNN v7.4.2.24可能会报错（亲测），但使用cuDNN v7.6.5.32的话，并不会出现“cuDNN v7.4.2.24可能会出现的”报错，虽然官网推荐组合是cuDNN v7.4.2.24，但建议使用cuDNN v7.6.5.32

---

 

测试GPU是否能正常运行tensorflow 

>>> import tensorflow as tf
>>> tf.test.is_gpu_available()

import tensorflow as tf
import timeit

with tf.device('/cpu:0'):
    cpu_a = tf.random.normal([10000, 1000])
    cpu_b = tf.random.normal([1000, 2000])
    print(cpu_a.device, cpu_b.device)

with tf.device('/gpu:0'):
    gpu_a = tf.random.normal([10000, 1000])
    gpu_b = tf.random.normal([1000, 2000])
    print(gpu_a.device, gpu_b.device)


def cpu_run():
    with tf.device('/cpu:0'):
        c = tf.matmul(cpu_a, cpu_b)
    return c


def gpu_run():
    with tf.device('/gpu:0'):
        c = tf.matmul(gpu_a, gpu_b)
    return c


# warm up
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('warmup:', cpu_time, gpu_time)

cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print('run time:', cpu_time, gpu_time)