本文介绍在Anaconda环境中，配置可以用GPU运行的Python新版tensorflow库的方法。
在上一篇文章部署支持CPU与GPU计算的tensorflow：Anaconda环境中，我们详细介绍了CPU、GPU通用的新版tensorflow库的配置方法；本文就在这一篇文章的基础之上，继续介绍如果希望让GPU参与到计算中，我们该如何进一步配置对应的环境。如果大家此时还没有配置tensorflow库，那么就先将前述这一篇文章的流程完成后，再继续本文的步骤即可。
这里需要注意，tensorflow库在2.11及以上的版本中，都取消了对Windows平台的GPU支持（我试了一下，就算装了WSL也不行）；而在撰写本文时，用的是2.6.2版本的tensorflow库，因此是没有问题的。所以大家如果装了2.10及以下版本的tensorflow库，就继续向后看本文即可；如果此时已经装了2.11及以上版本的tensorflow库，那么可以首先通过如下的代码将tensorflow库更换为2.10版本的（执行这一代码时，将自动删除原有的2.11及以上版本的tensorflow库），再继续看本文。
pip install --user "tensorflow<2.11"
前面我们提到，当时虽然已经配置完毕了新版tensorflow库，但是如果运行代码，还是会出现如下图所示的提示信息，即我们还没有配置好GPU运行的环境。
其中，如果大家的电脑上是没有GPU，或者就不需要用GPU加以计算，那就不用管这个问题，直接开始编写、运行机器学习的代码就好了；但是对于电脑中有GPU并且也希望让GPU加入运算的用户而言，就需要加以进一步的配置工作。具体流程如下。
1 系统版本要求
如果需要用本文所述的GPU环境配置方法，需要保证Windows操作系统的版本在19044及以上；如果不满足这一条件，除了升级系统，就只能通过早期版本的tensorflow库来实现GPU运算了。
2 GPU设置
首先，我们需要打开Anaconda Prompt软件；随后，可以输入如下所示的代码，从而查看我们的GPU状态。
nvidia-smi
运行上述代码后，如下图所示，即为我们的GPU状态。如果无法出现如下图所示的信息，则很大概率是没有安装驱动（NVIDIA Driver），大家可以到其官方网站中下载。
随后，我们即可配置CUDA与cuDNN；其中CUDA是NVIDIA为其生产的GPU所研发的一种并行计算架构，而cuDNN则是NVIDIA专门为深度神经网络运行而提供的一个加速库。这二者目前网上很多教程是通过手动到NVIDIA官方网站上下载、安装的，相对较为麻烦；而这里我们既然已经用了新版本的tensorflow库，那么就可以直接在命令行实现二者的下载与配置。
我们输入如下所示的代码。
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0
随后，运行上述代码，如下图所示。
随后，输入y，即可确认开始下载、配置CUDA与cuDNN。稍等片刻，出现如下图所示的情况，说明二者已经配置完毕。
至此，CUDA与cuDNN的设置已经完毕。但是，为了让这二者可以正常使用，我们还需要配置系统路径。关于这一步的内容，大家可以直接用管理员身份打开Windows PowerShell软件来进行配置，如下图所示。
随后，分别输入并运行以下两句代码。
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' > $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
运行后如下图所示。
至此，就完全完成了GPU方面的配置工作。
3 WSL2配置
此外，我们还需要配置WSL2。WSL是“适用于Linux 的Windows 子系统”，我们需要配置这一环境，为后面的GPU运算提供条件。
关于WSL2的介绍与手动配置方法，大家可以直接查看其官方网站；我们这里就介绍通过命令行的简单的配置方法。
首先，依然是在管理员身份打开的Windows PowerShell软件中，我们输入如下所示的代码。
wsl --install
随后，即可开始安装WSL2；稍等片刻，出现如下图所示的提示，说明WSL2已经配置完毕；此时，需要重启一次电脑。
4 配置结果验证
至此，已经完成了GPU运算所需要的全部配置步骤。如果大家是在一个新的虚拟环境中配置的上述内容，就可以按照文章Anaconda Python虚拟环境配置Spyder与第三方库提到的方法，安装一个Spyder软件，方便后续代码的撰写。
随后，在编辑器中输入如下的代码。
import tensorflow as tf
print(tf.config.list_physical_devices("GPU"))
如下图所示。
运行上述代码后，如果出现如下图所示的输出结果，就表明程序可以找到电脑中的GPU，即前述全部配置工作是没有问题的；大家就可以开始撰写机器学习的各类代码，并用GPU加速运行了。
此外，这里还有一种不推荐的检验方法。大家还可以输入以下的代码。
import tensorflow as tf
tf.test.is_gpu_available()
这也是一种检验GPU是否可用的方法，但是如下图所示，这种方法马上就要被淘汰了，因此建议还是用上面提到的方法来测试。如果出现如下图所示的True字样，就说明配置没有问题。
至此，大功告成。
