配置Win10 Tensorflow2.0 GPU 环境

最近在写Reinforcement Learning 相关的作业，要用到Deep Q-Learning的方法

建立神经网络的时候打算用tensorflow，发现有CPU和GPU两个支持模式

鉴于台式机有个1060，我寻思着不能浪费

配置的时候发现这东西可真麻烦，特此记录流程，以备查询

Step 1 安装 Tensorflow

参考官方文档

2.0 版本之后使用pip安装的时候只需要安装tensorflow即可，不需要指定tensorflow-gpu

pip install tensorflow  # stable

Step 2 查看显卡是否支持CUDA

先确认自己的显卡版本

1. Win + S：输入设备管理器
2. 找到Display adapters，点击下拉，查看显卡版本

我的是 GeForce GTX 1060

之后参考 Nvidia 说明，查找自己的显卡版本是否支持CUDA 网站

Step 3 下载软件依赖

• CUDA Toolkit 网站

  • 注意版本问题：TensorFlow supports CUDA 10.1 (TensorFlow >= 2.1.0)
  • 一定要版本对应！！！

  • 查看已安装 tensorflow 版本

    # 进入命令行python环境并输入一下代码
    import tensorflow as tf
    tf.__version__ 
    # 在这之下会输出对应版本 '2.1.0'

• Nvidia GPU 驱动 网站

  • 注意版本问题：CUDA 10.1 requires 418.x or higher.

• CUPIT 安装 网站

  • 貌似不用主动安装，这个东西采用的是惰性安装，只要调用到就会自动装
• cuDNN SDK 网站

• vc_redist 网站

  • 64位系统一般都是选x64的那个就可以了

    Visual Studio 2015, 2017 and 2019
    Download the Microsoft Visual C++ Redistributable for Visual Studio 2015, 2017 and 2019. The following updates are the latest supported Visual C++ redistributable packages for Visual Studio 2015, 2017 and 2019. Included is a baseline version of the Universal C Runtime see MSDN for details.
    
    x86: vc_redist.x86.exe
    
    x64: vc_redist.x64.exe # 选这个
    
    ARM64: vc_redist.arm64.exe

Step 4 配置环境变量

参考官方 'windows设置' 部分 文档

将 CUDA、CUPTI 和 cuDNN 安装目录添加到 %PATH% 环境变量中。例如，如果 CUDA 工具包安装到 C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.1，同时 cuDNN 安装到 C:toolscuda，请更新 %PATH% 以匹配路径：

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\libx64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%

Step 5 验证GPU是否使用

前四步做完了之后，系统会默认使用GPU，接下来验证一下

进入到python环境

输入

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU'))) # 输出可用GPU数量
print("Num CPUs Available: ", len(tf.config.experimental.list_physical_devices('CPU'))) # 输出可用CPU数量
tf.test.is_gpu_available() # 输出当前是否正在使用GPU，不出意外应该是True

---

20200319
拒绝伸手，从我做起