Win10+1080Ti+VS2017+Python3.7.3+CUDA10.0+cuDNN7.6.0+Tensorflow-gpu1.13.1安装步骤

安装配置

1. 系统：Windows10
2. 显卡：QTX1080Ti
3. ViisualStudio：2017
4. Python：3.7.3
5. CUDA：10.0
6. cuDNN：7.6.0
7. Tensorflow-gpu：1.13.1

查看当前显卡信息

1. 在桌面空白处单击右键进入NVIDIA控制面板
   
2. 单击界面左下角的系统信息
   
3. 可在显示和组件两个选项卡中查看显卡信息
   
   
4. GPU，CUDA，cuDNN的理解
5. 驱动与CUDA的关系
   我的显卡驱动版本是411.31，所以我装的是CUDA10.0
   
6. CUDA支持的GPU
   页面上给出了支持CUDA的GPU型号和对应的算力
   CUDA支持GTX1080Ti，且这款GPU的算力为6.1
   

安装Visual Studio2017

1. 安装CUDA需要提前安装好Visual Studio，进入官网下载VS2017，社区版是免费的
2. 勾选通用Windows平台开发、使用C++的桌面开发、Python开发、Visual Studio 扩展开发

配置Python环境

安装Python

进入Python官网下载Python3.7.3，安装过程中记得勾选加入环境变量那一项，这样就不用手动添加了

也可直接下载Anaconda搭载Python3.7版本的软件，下载地址：这里

安装virtualenv库

win+R 输入cmd进入命令行，在命令行输入

pip install virtualenv

创建虚拟环境

cd 进入希望存放虚拟环境的地址，这里方便演示，直接在F盘下创建了一个虚拟环境

virtualenv test_env

test_env可替换为你自己取的虚拟环境的名字

创建完成后可以看到创建的虚拟环境文件夹

激活虚拟环境

cd F:\test_env\Scripts
activate

激活成功后会出现(test_env)

若想退出虚拟环境使用deactivate即可

安装Tensorflow-gpu库

在虚拟环境下使用pip安装

pip install tensorflow-gpu==1.13.1

若虚拟环境中已经装有tensorflow，则需先彻底卸载tensorflow
若虚拟环境中已经装有其他版本的tensorflow-gpu，则需先彻底卸载其他版本的tensorflow-gpu

安装CUDA

1. 进入这里下载CUDA Toolkit 10.0
   
   根据自己的系统选择要下的版本，network是在exe中在线下载，local是浏览器内下载整个安装包
   强烈建议连接未批嗯后下载
2. 选择自定义安装，可以不用勾选GeForce Experience，安装完成后不需要手动添加环境变量

配置cuDNN

1. 进入这里下载cuDNN7.6.0（需要先注册一下账号，很快完成，不复杂）
   我下载的是7.6.0，我认为只要是for CUDA 10.0的应该都行
   
2. 解压后将bin、include、lib这3个文件夹复制到
   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
   
   

各种测试

测试CUDA和cuDNN是否匹配

1. 进入C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0
2. 运行你电脑中Visual Studio对应版本的sln文件，我电脑里装的是VS2017，打开Samples_vs2017.sln
3. 等待项目方案加载完成（需要几分钟），按F5运行，若能弹出以下窗口说明CUDA与cuDNN是匹配的
   若报错SDK版本不匹配，到VS安装界面修复，勾选对应版本的SDK即可
   

测试CUDA是否可用

1. 激活之前创建的虚拟环境
2. 使用虚拟环境的python

(test_env) F:\test_env\Scripts>python
>>> import tensorflow as tf
>>> a = tf.test.is_built_with_cuda()
>>> print(a)

出现>>> True则表示CUDA可用

测试GPU是否可用

>>> b = tf.test.is_gpu_available(cuda_only = False, min_cuda_compute_capability = None)
>>> print(b)

出现>>> True则表示GPU可用

测试Tensorflow-gpu是否可用

(test_env) F:\test_env\Scripts>python
>>> import tensorflow as tf
>>> hello = tf.constant('Hello, TensorFlow!')
>>> sess = tf.Session()
>>> print(sess.run(hello))	

如果没有出现ImportError: DLL load failed: 找不到指定的模块,
而是出现>>> b’Hello, TensorFlow!’，则表示tensorflow-gpu能正常使用

出现DLL load failed: 找不到指定的模块的解决方案

1. 使用everything（下载地址：这里）搜索dumpbin，我的电脑是64位的，我复制了x64的dumpbin.exe路径名
   
2. 使用dumpbin的/dependents显示_pywrap_tensorflow_internal.pyd所依赖的DLL
   命令行输入

"C:\Program Files (x86)\Microsoft Visual Studio\2017\Community\VC\Tools\MSVC\14.16.27023\bin\Hostx64\x64\dumpbin.exe" /dependents F:\test_env\Lib\site-packages\tensorflow\python\_pywrap_tensorflow_internal.pyd

3. 命令行输入

where cublas64_100.dll

依次检验各依赖DLL文件是否存在，是否出现了版本不对应的情况

例如：要求的DLL是cudnn64_7.dll，但是用everything无法搜到cudnn64_7.dll，只能搜到cudnn64_6.dll，可能是cuDNN版本不匹配

4. 该解决方案来源于：这里
5. 也可以连接未批嗯进入这里下载测试DLL的脚本文件（需要自己根据dumpbin获得的依赖DLL文件名修改一下脚本程序的内容以符合自己的下载的CUDA、cuDNN版本）
   

运行一段程序查看是否真正使用了GPU

1. 在Pycharm中运行这段代码（配置好装有tensorflow-gpu的虚拟环境）

import tensorflow as tf
 
with tf.Session(config = tf.ConfigProto(allow_soft_placement = True, log_device_placement = True)) as sess:
    # allow_soft_placement=True 表示使用gpu不能使用gpu时使用cpu
    # log_device_placement=False 不打印日志，不然会刷屏，为了查看是否使用gpu，我们设置为True
    a = tf.constant(1)
    b = tf.constant(3)
    c = a + b
    print('结果是：%d\n 值为：%d' % (sess.run(c), sess.run(c)))

2. 运行结果
   
3. 提前打开任务管理器中的性能，查看GPU使用情况，可以看到程序运行时GPU利用率那里有个小尖峰，即表明确实使用了GPU
   
   该测试来源于：这里