（看这篇就够了）keras使用GPU加速运算

最近有机会蹭组里的图形工作站跑DNN，想着终于有机会感受一下GPU的速度，结果网上一看全是细节性的教程，对小白十分不友好。经过一下午的鼓捣，踩了一些坑，最后终于弄好了，在这里全面的记录一下经过，大部分人按这个步骤走应该都能no error。

总述

keras使用CPU和GPU运算没有任何的语法差别，它能自动地判断能不能使用GPU运算，能的话就用GPU，不能则CPU。你只需要在代码开头加上下面这一句就行了，“0”指的是GPU编号，在cmd窗口输入nvidia-smi命令即可查看可用的GPU。

os.environ["CUDA_VISIBLE_DEVICES"]="0"

好，相信大部分人此时运行都会报错，这是因为你没有配置好支持GPU运算的环境，因此想要使用GPU加速运算的主要任务就是配环境！！总的来说，需要配置以下几大部分：

1.tensorflow-gpu

2.适合版本的nvidia驱动、CUDA、cuDNN

没错，就是这么简单，只要你把上面的四个东西装好了，你的神经网络模型就能在GPU上跑起来了，而其中的关键点就是：版本契合！下面我们分开来讲

写本文时我的环境配置：

tensorflow-gpu：2.0
keras：2.3
nvidia driver:441.41
CUDA:10.0
cuDNN:7.6.4 for CUDA 10.9

Tensorflow-gpu

众所周知，keras的底层实现是靠tensorflow，因此想要使用GPU运算，就要下载tensorflow-gpu库。

有人说tensorflow和tensorflow-gpu会干扰，为确保一次成功，建议先将原来的tensorflow、tensorflow-gpu、keras库全部卸载，然后安装版本契合的tensorflow-gpu和keras库。重点是keras要和tensorflow-gpu的版本对应，这可以在官网上查看，或者就在网上搜一下。

NVIDIA driver、CUDA、cuDNN

重点来了，有人不理解这三者的关系，简单解释一下：driver是驱动显卡工作的程序、CUDA是英伟达公司开发的用于GPU运算的框架、cuDNN是这个框架中专用于深度神经网络的库，这三者都能在NVIDIA公司官网上免费下载。

 driver

驱动这就不说了，照着tensorflow官网上对应要求的驱动版本下载安装就行了，我记得tensorflow2.0要求的是410.以上，懒得看也可以直接装最新的版本。

CUDA

好多小白倒在了这里，我第一次也踩在这个坑上，请所有看到这里的朋友再打开tensorflow官网仔细看一下GPU运算所需要的版本要求：

仔细看第一行：“CUDA 10.0” 也就是说CUDA版本只能是v10.0，高也不行低也不行。我当时图方便直接装了最新版的CUDA V10.2，结果keras不支持（具体什么坑下面讲），只能卸载重装v10.0，然后就行了。

具体怎么安装CUDA可以参考下面这个链接

https://www.jianshu.com/p/9bdeb033e765

值得一提的是链接中“用VS2013进行编译”这一步是不需要的，在装CUDA时选择自定义安装，取消“Visual Studio”这一项就可以了。

那么现在就来说一说CUDA装错版本会遇到什么事情。看到网上很多人遇到了这个问题：

cudart64_100.dll not found

简单来说，就是CUDA版本装错了。_100是版本号，v10.0是_100，v_10.2就是102，你缺失这个文件就是你版本装错了。很多小机灵鬼说那我把_102重命名为_100不就行了吗？不行，不要问我是怎么知道的。。。还是老老实实卸载重装吧。

卸载的方法就是在控制面板里面把CUDA开头，末尾是错误版本号的程序删掉就行，然后重新安装正确版本号，记得环境变量里面也要修改。重新安装好后需要重启一下pycharm，不然还是会报错。

cuDNN

cuDNN就是CUDA的一个补充库，可以按照上面链接在官网下载，需要做个调查问卷。下载完是个压缩包，解压后把bin、include、lib三个文件夹里的文件复制到CUDA的对应文件夹中就行了。

 

然后你就可以看到你的keras程序在GPU上跑起来了！说实话真的快很多。。