tf1.15 使用过程中的一些坑

安装tf1.x中的一些注意事项

参考2021最新：TensorFlow各个GPU版本CUDA和cuDNN对应版本整理(最简洁)

Version	Python version	Compiler	Build tools	cuDNN	CUDA
tensorflow_gpu-1.15.0	3.5-3.7	MSVC 2017	Bazel 0.26.1	7.4	10
tensorflow_gpu-1.14.0	3.5-3.7	MSVC 2017	Bazel 0.24.1-0.25.2	7.4	10
tensorflow_gpu-1.13.0	3.5-3.7	MSVC 2015 update 3	Bazel 0.19.0-0.21.0	7.4	10

以下解决方案,基于版本tf1.X最高版
首先当然是安装Nvidia的CUDA 和 cudnn
还可参考:
配置tensorflow-GPU(1.x)环境
tensorflow对应cuda的兼容版本问题
最后，安装好后检测tf是否使用了GPU
Windows下查看GPU(NVIDIA)使用情况

使用时有错，先把跟包版本有关的列出来:

提示无scipy.misc:

pip install scipy==1.2.1

ModuleNotFoundError: No module named ‘tensorflow.python.types‘

实测可用的解决方案是

pip install tensorflow-estimator==1.15.0

参考链接
如果提示:

tensorflow 1.15.0 requires tensorboard<1.16.0,>=1.15.0, but you have tensorboard 2.0.0 which is incompatible.
tensorflow 1.15.0 requires tensorflow-estimator==1.15.1, but you have tensorflow-estimator 1.15.0 which is incompatible.
应使用
pip install tensorboard==1.15.0

TypeError: batch_normalization() got an unexpected keyword argument ‘decay’

解决方案:

将tf.layers.batch_normalization 替换为 tf.contrib.layers.batch_norm

Process finished with exit code -1073741819 (0xC0000005) --OOM

我的本身环境是TF1.15gpu版,batch_size调成1仍然不行,最后,偶然改动一处,可以跑了.

config.gpu_options.per_process_gpu_memory_fraction = 0.5

在改之前,是0.95
完整显存分配代码

os.environ["CUDA_VISIBLE_DEVICES"] = '0,1'	         # 按照固定的比例分配。
config = tf.ConfigProto(allow_soft_placement=True, log_device_placement=True) 

# 以下代码会占用所有可使用的GPU的50%显存
config.gpu_options.per_process_gpu_memory_fraction = 0.5
config.gpu_options.allow_growth = True

with tf.Session(config=config) as sess:
					...

其他改动可参考:
改绝对路径
改各种期待奇妙事件

OOM ： out of memory
为了解决OOM问题，上面博文中的评论，获得了一些包的不坑版本，参考

matplotlib=3.0.2
numpy=1.18 或 1.2.1
h5py==2.9.0

一次迁移实操

目标主机已经安装了pytorch的gpu版本，因此CUDA之类的已经完事了。
这里，可以在pycharm的Terminal进行操作。
操作代码集锦：

conda create -n tf1_gpu python=3.6 tensorflow-gpu=1.15.0

conda activate tf1_gpu

pip install scipy==1.2.1 tensorflow-estimator==1.15.0 tensorboard==1.15.0

python

import tensorflow as tf
tf.test.is_gpu_available()
tf.__version__

如果还有其他包的需求，可参照我的可以运行的环境包版本进行设置：