Win10深度学习环境搭建：Python 3.7.2+CUDA 10.0+cuDNN 7.6+Tensorflow-gpu 1.13.1+Jupyter

来回折腾过几次Tensorflow-gpu的环境搭建，想把成功的方法分享给大家！

（也是因为自己前阶段的深度学习环境gpu调用出了问题，跑程序时发现CPU的占用率达到了99%，而GPU却没有被调用。经过反复卸载重装软件，烦了三四天才成功，所以趁着成功之余还是记录下来，即能避免自己重蹈覆辙，也能让大家少走弯路。）

【电脑基础环境】

系统：Windows10
显卡：NVIDIA GeForce GTX 1060

【软件安装过程】

1.安装Python 3.7.2

• 下载地址：python官网

   

   

• 安装参考：https://blog.csdn.net/qq_38161040/article/details/87295245

     （注：路径最好默认，别忘了把python添加到环境变量中，勾选最底下的就好了，省的我们自己添加。）

• 检查是否安装成功

       win+R打开cmd，然后输入python就可以看到安装版本信息。

       

2.安装CUDA 10.0

• 安装cuda前需检查一下显卡驱动是否最新（自动搜索更新即可）

       

• 查看自己电脑CUDA版本号，也是我选择CUDA 10.0的原因。

       在桌面右击，选择“NVIDIA控制面板”，然后如下:

       

       

• 下载地址：https://developer.nvidia.com/cuda-downloads

        

•  安装参考：https://www.jianshu.com/p/4ebaa78e0233

        （注：参考该链接中安装CUDA 9.0的内容，因为安装CUDA 10.0的步骤与此相同）

•  检查是否安装成功

        1、以下的两个环境变量是否存在

        

        2、验证安装的版本：nvcc -V

        

3.安装CUDNN 7.6

• 下载地址：https://developer.nvidia.com/rdp/cudnn-download （需要注册）

     

       下载后是一个压缩文件。

• 安装参考：https://www.jianshu.com/p/4ebaa78e0233

     （注：参考该链接中安装CUDNN 7.3的内容，因为安装CUDNN 7.6的步骤与此相同）

• 安装成功后，需要添加一下环境变量（看很多博主这么做，虽然具体的原因还不知道）

       

4.安装Tensorflow-gpu 1.13.1

• 下载地址：http://mirrors.aliyun.com/pypi/simple/tensorflow-gpu/

        安装版本：tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl

•  运行pip install命令安装本地WHL文件

        安装参考：https://www.jianshu.com/p/4ebaa78e0233

     （注：参考该链接中安装tensorflow_gpu1.10的内容，在cmd中输入命令改成：  

pip install tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl

         然后，按Enter键执行命令。其他安装tensorflow-gpu 1.13.1的步骤与此链接相同）

•  运行pip install命令安装msgpack库

       考虑到部分读者可能没有安装运行tensorflow必需的msgpack库。在cmd中输入命令：pip install msgpack，然后按Enter键运行命令。

       

5.测试运行环境

     参考链接：https://www.jianshu.com/p/4ebaa78e0233

  （注：参考该链接中测试运行环境的内容）

     测试代码为：

import tensorflow as tf
hello = tf.constant('hello, tensorflow!')
session = tf.Session()
print(session.run(hello))

6.安装IDE：jupyter notebook和常用的一下库文件

•  win+R打开cmd，然后输入  pip install jupyter   就可以进行安装了。
•  Jupyter 的使用方法：直接在终点输入  jupyter notebook  即可，然后会自动在你的谷歌浏览器中弹出以下界面，new一个Python3的环境就可以在IDE中进行代码编译了！（当然 jupyter 进入的目录也是可以自己选择的，命令： cd + 目录  ，然后再输入  jupyter notebook  ）

        

        

• 安装常用的库文件：（此处列举以下三种，其他的当你自己遇到  “No model named ...”  情况时，自己百度解决。）

       Matplotlib 是 Python 的绘图库：

pip install matplotlib

       sklearn是用python实现的机器学习的算法库 ：

pip install sklearn

       pandas 是基于NumPy 的一种工具，用于解决数据分析任务：

pip install pandas

7.验证Tensorflow能否使用GPU，能否调用做并行计算的平台CUDA

       该部分很有必要验证，不然跑程序的时候就会发现与我一样的问题——程序都在用CPU的计算能力，而GPU却没有被调用，导致程序跑的很慢。

• 分别用一下测试代码进行验证：

from tensorflow.python.client import device_lib
import tensorflow as tf
#检测tensorflow的能使用设备情况:
print(device_lib.list_local_devices())
#判断CUDA是否可用：
print(tf.test.is_built_with_cuda())

#判断GPU是否可用：
tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)

  验证结果如下图：

8.恭喜你，大功告成！

• 程序运行时的任务管理器：

    

• 还不放心的话，运行程序时你可以在后台找是否有以下东西：

    

总结：

1、有些读者电脑上有多个版本的python，一定要知道各个python装在哪，否则建议只留一个。

2、显卡驱动这一块会有很多问题，建议读者先将Nvidia相关驱动卸载干净后，重新安装到最新的Nvidia驱动，再进行安装CUDA       10.0的操作。

3、我之前装的是CUDA9.0，然后不知道什么原因调用不了GPU跑程序，然后查看自己电脑CUDA版本号，才换成CUDA10.0成         功的。（理论上应该是兼容低版本的，估计是因为跨了一个版本出的问题）

4、安装tensorflow-gpu时，在后台遇到“权限不够”和“拒绝访问”的问题，可以尝试用管理员身份启动cmd终端，然后重新尝试。

5、重要的事情说一遍！一定要验证Tensorflow能否使用GPU，能否调用做并行计算的CUDA。

6、如果读者对细节有疑问，可以在评论区留言。