tensorflow更新到了2.0版本，安装过程踩了无数坑，各种版本兼容问题实在是让人头疼。GPU安装也比CPU的更复杂一点，但更快，不过前提是电脑的硬件支持才行。不同的环境可能会出现不同问题，所以这个文章只用于参考。

检查NVIDIA显卡是否支持CUDA

右键点击此电脑->管理->设备管理器->显示适配器，查看自己的英伟达显卡型号

python AV可以使用GPU编码吗_tensorflow


我的是MX130，搜索该型号，查看是否支持CUDA，一般在官网可以找到，如下：

python AV可以使用GPU编码吗_python AV可以使用GPU编码吗_02


硬件允许，那么就开始环境配置。

安装步骤

  1. 安装CUDA+Cudnn并设置环境变量
  2. Anaconda Prompt中为tensorflow创建虚拟环境，并在该环境里使用pip(别用conda install)下载tensorflow-gpu2
  3. 就俩步，测试一下

安装CUDA + Cudnn

安装前注意Cuda和Cudnn的版本问题，tensorflow官网上配置要求是这样的，我们只看Cuda和Cudnn就好了

python AV可以使用GPU编码吗_CUDA_03

这里使用CUDA10 和 Cudnn7.5。

下载CUDA 地址

python AV可以使用GPU编码吗_python AV可以使用GPU编码吗_04


最后一行安装文件类型本地或网络随意，然后点击Download。

安装的时候很多博客都推荐自定义安装，因为精简安装会安装所有组件并覆盖现有驱动，当时不知道，点了官方推荐的精简安装，于是装上了全家桶（下面图中俩玩意），然后原来的驱动就没了。。不过在GeForce Experience里可以下载更新驱动。

python AV可以使用GPU编码吗_python AV可以使用GPU编码吗_05


下载好了后命令行输入nvcc -V，有以下输出说明安装成功。

python AV可以使用GPU编码吗_CUDA_06


下载Cudnn 地址 需要一个NVIDIA账号，没有的话注册一个，然后填问卷，下载的时候选择与CUDA10.0相适配的版本。

python AV可以使用GPU编码吗_python AV可以使用GPU编码吗_07


接下来解压，将文件里这三个文件夹中的文件复制到对应文件目录下,lib要进入x64子目录复制文件到CUDA安装路径…/lib/x64下

python AV可以使用GPU编码吗_tensorflow_08


设置环境变量，右键此电脑——>属性——>高级系统设置——>环境变量，在系统变量的path再加上

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\lib\x64

ok接下来测试一下，cmd命令行进入CUDA安装路径

python AV可以使用GPU编码吗_CUDA_09


python AV可以使用GPU编码吗_tensorflow_10


运行bandwidthTest.exe，成功。

安装tensorflow-gpu

打开 Anaconda Prompt

python AV可以使用GPU编码吗_环境变量_11

创建一个环境，以后使用tensorflow-gpu的时候就用这个环境，所以起名的时候最好与其有点关联，版本我们就用3.7

python AV可以使用GPU编码吗_CUDA_12


然后激活它

python AV可以使用GPU编码吗_tensorflow_13


接下来pip install tensorflow-gpu==2.0.0b1(conda据说好像安装不了)安装完了后输入python,开始测试一下

python AV可以使用GPU编码吗_CUDA_14

python AV可以使用GPU编码吗_CUDA_15


中间一大串警告省略了，应该是版本问题，问题不大，哈哈哈。

参考：

Tensorflow(GPU) 在Win10+Cuda8.0环境下安装以及Cudnn包配置 图文详细教程Anaconda + TensorFlow 2.0 GPU安装