TensorFlow-gpu版本的安装

TensorFlow-gpu版本的安装

最近在学习tensorflow，所以记录一下gpu版本的安装过程（推荐使用Anaconda安装）
ps:
1.Tensorflow-gpu版本需要安装CUDA和cuDNN，而且需要和tensorflow-gpu的版本进行匹配，否则会出错，我下载的是CUDA Toolkit 9.0 和cuDnn 7.0
点击查看最新tensorflow支持的CUDA版本：
tensorflow支持的CUDA版本
2.如果自己的电脑可以支持gpu版本，最好安装gpu版本，虽然过程麻烦，但是其所带来的计算性能是cpu版本所不能比的。

未成功的方式

1.pip install tf-nightly-gpu
报错：
WARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by ‘ReadTimeoutError(“HTTPSConnectionPool(host=‘pypi.org’, port=443): Read timed out. (read timeout=15)”,)’: /simple/tf-nightly-gpu/
ERROR: Could not find a version that satisfies the requirement tf-nightly-gpu (from versions: none)
ERROR: No matching distribution found for tf-nightly-gpu

解决：
pip下载源问题。解决方法（换一个下载源下载）：
pip install tf-nightly-gpu -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

2.纯净的tensorflow
gpu版本： pip install tensorflow-gpu

成功的方式

第一种方式
1.安装CUDA
查看CUDA已发布版本

至关重要的一步：卸载显卡驱动
由于CUDA Toolkit需要在指定版本显卡驱动环境下才能正常使用的，所以如果我们已经安装了nvidia显卡驱动（很显然，大部分人都安装了），再安装CUDA Toolkit时，会因二者版本不兼容而导致CUDA无法正常使用，这也就是很多人安装失败的原因。而CUDA Toolkit安装包中自带与之匹配的显卡驱动，所以务必要删除电脑先前的显卡驱动。

2.下载cuDnn
下载好CUDA Toolkit 9.0 后，我们开始下载cuDnn 7.0，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册就可以，免费的。登陆账号后才能下载。
查看cuDNN历史版本
接下来，解压“cudnn-9.0-windows10-x64-v7.zip”，将一下三个文件夹，拷贝到CUDA安装的根目录下。

3.安装tensorflow
conda install tensorflow-gpu==1.14.0

4.测试一下
import tensorflow as tf
tf.test.gpu_device_name()
查看是否有自己的GPU，如果有自己的GPU信息就代表成功了。

第二种方式
我用这种方式默认安装的是支持python3.7的TensorFlow1.14版本，
1.conda安装gpu，其中会安装一些依赖包，y就ok
conda install tensorflow-gpu

2.安装后，cuda和cudnn的版本和tensorflow的版本是对应好的，但是如果英伟达的显卡驱动程序和其不匹配的话，就会报错
解决办法：
可以在英伟达的官网中更新图形驱动，精简安装即可。参考文章

本人电脑配置：

类别	版本号
TensorFlow	1.14
python	3.7
cuda	10
cudnn	7.6
显卡	GTX850M
英文达驱动程序	431.6