Win10系统下Tensorflow-GPU配置总结

 最近两天小编实验室新买回来一台图形工作站，需要搭建python+tensorflow-gpu的环境，花费了一天半的时间配置完成，当然如果你网络好，可能半天就OK拉，下面来个总结吧。

表格中是此次配置的主要环境

windows10系统

Anaconda3-4.0.0（64位）

python3.5

cuda10.0

tensorflow-gpu1.14.0

1、配置中的软件要求按照tensorflow官网上说的来就好，点击链接进入https://tensorflow.google.cn/install/gpu

但是注意，如果你的电脑中没有安装过VS，建议先安装VS，否则在安装CUDA的时候会有些问题，小编这次安装了VS2012以及VS2019（主要看中它能编写并调试Python代码，也是为了尝尝鲜）

切记，不要指点点鼠标安装完就好了，还需要配置环境变量哦，上面链接里面都有，最后 来检验一下CUDA是否安装成功：

打开命令行，输入nvcc --version 

得到下图的结果说明你的cuda已经配置成功

 

2、上述步骤一般不会出错，接下来我们就要安装Tensorflow-gpu啦，这个可是充满了未知的坑，总是与有些库不能兼容，所以要不断的卸载和安装一些Python的库。

打开命令行，执行pip3 install --upgrade tensorflow-gpu 如果你的网络存在问题，可能你也会遇到下图这样的问题

切记，只要是进度条还没走完就报错的，那百分之八九十就是网络的问题，所以小编就搜呀搜，看到网上说在cmd下输入pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ tensorflow-gpu(因为原地址下载太慢了，所以零时使用清华的源下载)。

如下图所示是使用清华的源进行安装的情况：

很nice，但是天总不遂人愿，还出现了问题:xxx has requirement setuptools>=.....cannot uninstall 'numpy'

上述其实包含两个问题，一个是setuptools的版本问题，一个是numpy 的版本问题，那我们就先一个一个的解决（此刻我还有点耐心，~~~~~）

针对setuptools的版本问题，使用pip3 install --upgrade setuptools

是的，我也以为没毛病，可是倒霉催的又出现了 Cannot remove entries from nonexistent file c:\anaconda3\lib\site-packages\easy-install.pth的问题，如下图：

讲真到这里我有点受不了了，你想象不到如果如果你再去解决easy-install这个问题，还会出现什么问题，所以一不做二不休

干脆就忽略它吧,逃避虽然可耻但是有用呀（当然正在看文章的你有更好的方法可以留言交流哦~）

上命令：pip3 install --upgrade --ignore-installed setuptools

ok setuptools的问题完美解决（跳过），哈哈哈。

接下来就是第二个问题numpy 的版本问题，要知道目前使用pip3 install --upgrade numpy 是可以升级Numpy的，但是奈何小编的网络不好，命令行下载总是出问题，如图：

那怎么办呢，首先numpy是一个单独的库，可以单独安装，所以我们可以找一个网络好的童鞋帮你下载一个numpy-1.16.4-cp35-cp35m-win_amd64.whl文件（各位根据自己的需求寻找合适的版本号下载），进行离线安装，切记下载的文件，不管它的名字有多长，都不要改名字，不然它告诉你：xxx.whl is not a valid wheel filename,厉害不，有图有真相：

对，要先把命令行的路径切换到你whl放置的路径下哦。

胜利的曙光在我放弃之前到来了，解决了上面两个问题，再次执行：pip install -i https://pypi.mirrors.ustc.edu.cn/simple/ tensorflow-gpu

ok，大功告成

3、测试

将下面的代码复制到spyder里面进行测试

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
输出：
b’ Hello, TensorFlow!

为了体验一把gpu加速的优势，我这里使用卷积神经网络进行MNIST_data的训练和测试，我的小电脑，如果跑起来4个cpu核，4g内存全部占满，大约要跑一个多小时，来看看我们的GPU加速：不到半分钟就出来了，大爱，感觉科研又有动力了！