Win10笔记本用雷电3接口外接显卡加速tensorflow深度学习步骤

简介：最近入手了一块rtx3060，但自己的主力设备是笔记本，于是萌生了通过外接显卡来加速深度学习的想法，配置过程中遇到一些小问题，经过调试最后解决了，现在简单把整个过程涉及的要点提炼出来，希望能帮助到有相同需求的人。

笔记本设备：Dell Precision 7540

操作系统：Windows 10 专业工作站版 20H2 19042.985

显卡拓展坞：雷蛇（Razer）战核 Core X 幻彩版

外接显卡：Nvidia Geforce Rtx 3060 Ultra W OC 12G L

---

注意事项：显卡几乎都是通过pcie协议挂载到电脑上的，所以外接显卡需要直接或间接连接到电脑的pcie总线才能被电脑识别，雷电3走的是pcie通道，这就是为什么支持雷电3的type-c接口可以被拿来外接显卡。也就是说，用雷蛇拓展坞外接显卡成功与否要看笔记本有没有雷电3或以上接口。如果没有雷电3，也可以自己DIY一个拓展槽，再通过转接线连接到电脑支持pcie的端口。比如，常见的DIY方案会选择连接无线网卡用的那个端口，不过无线网卡拔下来就需要另外接一个usb无线网卡来维持上网功能了。另外如果笔记本拓展性强，有多的m.2硬盘拓展口也可以使用，不过总归笔记本拆机容易遇到各种各样的麻烦，这里不展开说了。

---

具体步骤

1.硬件连接

把显卡插入显卡坞并上螺丝固定，连接好显卡供电线和显卡坞电源线，显卡的输出接口接到外接显示屏，确保接线无误后可给显卡坞上电，雷电3先不要连接电脑。
注：显卡坞和电脑保持物理连接的情况下不要重启电脑，有可能发生蓝屏。遇到蓝屏了也不要慌，拔掉雷电3连接线，然后再重启就行。

2.安装显卡驱动

2.1 情形一：对于只有intel核心显卡的笔记本，直接到英伟达官网下载rtx3060的驱动安装就行。
2.2 情形二：对于带Nvidia独立显卡的笔记本，装驱动要考虑笔记本的独立显卡和外接显卡驱动的兼容问题。以我的笔记本为例，内置独立显卡是Nvidia Quadro的专业图形卡，配置显卡驱动需要进行的操作如下：
2.1.1 到nvidia官网（NVIDIA 驱动程序下载）下载外接显卡rtx3060的驱动，驱动类型选studio(SD)；

2.1.2 断开网络连接，此电脑右键点管理，点击设备管理器，点击显示适配器，先右键禁用独立显卡，然后右键卸载独立显卡（要先断开网络，不然独立显卡联网就会自动安装驱动）；
2.1.3 在桌面打开此电脑：计算机->卸载或更改软件程序->程序和功能，把电脑上原来的独立显卡的所有相关nvidia驱动删掉；
2.1.4 电脑上原来的驱动删完后，此时，把显卡坞的雷电3端口与笔记本的雷电3端口接上；
2.1.5 安装第一步下载好的驱动；
2.1.6 驱动装好之后独立显卡和外接显卡都能正常工作，此时可以重新连接网络。

2.1.7 FurMark烤机测试

注：现在geforce的studio类型的驱动也支持quadro，但是某些绘图建模专业软件的优化可能没专用驱动那么好，这个自行斟酌吧，不用外接显卡的时候又装回quadro图形卡的专用驱动也行。 

3.配置支持RTX30系显卡的Tensorflow深度学习框架

3.1 版本组合：python3.8.12+Tensorflow2.6.1+cuda11.4.2+cudnn11.4

小细节：显卡能适配什么版本的tensorflow，主要取决于cuda的支持，据网上相关经验帖，cuda11.1以上的版本开始支持30系显卡的深度学习运算加速，但是3070/3080/3090是2020年9月发布的，cuda11.1未必支持更晚发布的3060。这么说可能有点抽象，直接看tensorflow官网的支持列表(tensorflow稳定版及cuda/cudnn支持对应列表)：
​这个列表能知道版本间的对应关系，但是跟显卡之间的关联还需要结合发布日期考虑，3060显卡是2021年1月发布的，也就是说至少在这个时间之后发布的cuda才能支持3060显卡，所以到cuda的发布网站(cuda-toolkit发布网站)查看一下各版本的发布日期，如下：
​
所以从发布时间看，保险一点cuda选择2021年6月发布的11.4或以上版本，这个时间点适配应该是做好了，cudnn的话按照图中选择8.1以上的版本就行，也就是python3.8.12+Tensorflow2.6.1+cuda11.4.2+cudnn11.4的组合可以适配Rtx3060了。

3.2 配置步骤

3.2.1 下载并安装cuda11.4.2(cuda-toolkit 11.4.2)
3.2.2 下载cudnn解压并复制到cuda的安装目录，cuda的目录添加到系统环境路径(cudnn下载)
3.2.3 下载并安装Anaconda(anaconda官方下载)
3.2.4 安装python3.8

# 基于anaconda创建python3.8虚拟环境
conda create -n py38 python=3.8
# 激活python3.8环境
activate py38
# 关闭环境
deactivate

3.2.5 安装tensorflow

# 进入python3.8环境
activate py38
# 安装tensorflow及相关包
pip install numpy pandas matplotlib sklearn tensorflow -i https://pypi.doubanio.com/simple
# 关闭环境
deactivate

3.2.6 安装并配置jupyter notebook

# 进入环境
activate py38
# 安装ipykernel
conda install ipykernel
# 把上一步安装的ipykernel写入anaconda的base环境中jupyter的内核
python -m ipykernel install --user --name 环境名称 --display-name "自定义一个环境名称"
# 环境名称就是当前虚拟环境的名称，即py38，自定义一个环境名称：是显示在jupyter notebook界面的内核的名字，自己起一个就行
# 退出环境
deactivate

3.3 测试配置环境是否成功

配置好之后，进入虚拟环境打开jupyter，自己用一个神经网络脚本跑一下看看gpu能不能正常启动运行即可。测试情况：

3.1.1 任务管理器

 3.2.2 训练时间

 运行深度学习发现外接gpu可以正常工作，至此，外接显卡加速tensorflow环境搭建完成。

4.相关经验参考

[1]Windows 10，RTX 3070安装Tensorflow及 CUDA
[2]RTX3060深度学习tensorflow环境配置之踩坑记录
[3]【踩坑教程】win10环境下RTX3050Ti安装Tensorflow-gpu2.5+CUDA11.2.1+cudnn8.1.0
[4]Jupyter Notebook 中添加 conda 虚拟环境
[5]环境篇：Anaconda安装Python