- 在Windows中安装相应版本的TensorFlow
- 打开https://www.tensorflow.org/install/source_windows找到如果安装TensorFlow-GPU（1.15.0以前GPU和CPU是分开的），查表找到其他组件的对于版本
- CUDA历史版本CUDA Toolkit Archive | NVIDIA Developer
- CUDA于显卡驱动版本无关，只要显卡驱动装到最新版本即可
- 对于CMD中“nvidia-smi”的结果中的CUDA
- 这里CUDA 12.0的意思是此驱动兼容CUDA12.0以下的所有版本（当前的CUDA只更新到了11.8）
- 一个Windows可以共存多个CUDA
- 对于环境变量，只需要更改系统变量中Path的CUDA版本先后顺序，需要用的上移动到最顶端即可。（但是真正运用起来和环境变量好像无关）
- 此时CUDA 10.0在最顶端
- 所以nvcc -V 版本是10.0
- 在项目中使用的时候，再进行创建虚拟环境进行 conda install 按照Pytorch（Previous PyTorch Versions | PyTorch）或TensorFlow的命令来
例如：conda install cudatoolkit=10.1
- CUDA安装
- 选择自定义
- 以下四个选项无需安装
- 因为驱动和PhysX已经最新了而Nsight不怎么用
- cnDNN历史版本cuDNN Archive | NVIDIA Developer
- 将下载好的cnDNN的zip压缩包解压到对于的CUDA版本文件夹下，直接覆盖即可
- 装完以上CUDA和cuDNN就可以在虚拟环境中运行“conda install tensorflow-gpu==1.13.1”（好像会自动把CUDA和cuDNN打上）
- 检测TensorFlow是否能使用CUDA进行GPU计算
- Python控制台下
- import tensorflow as tf
- print(tf.test.is_gpu_available())
- 在Windows中安装相应版本的Pytorch
- 打开Previous PyTorch Versions | PyTorch找到如果安装某版本Pytorch，查找表首先安装好对于的CUDA
以上图片就是如果利用CUDA10.1，就先安装好CUDA10.1
- Deprecation of CUDA 11.6 and Python 3.7 Support | PyTorch这个也用于参考版本！！！
- 安装CUDA同TensorFlow
- 然后直接复制命令到conda虚拟环境进行安装
- 检测Pytorch是否能使用CUDA进行GPU计算
- Python控制台下
- import torch
- print(torch.cuda.is_available())
- 经验
- 只要前置装了CUDA和cuDNN就可以了，在conda中装TensorFlow和Pytorch会自动下载对应的cudatoolkit版本对接系统的CUDA版本（不知道这个理解对不对）
- TensorFlow虚拟环境下的condalist
- Pytorch虚拟环境下的conda list
- 第二张图突然觉得Pytorch好用了，直接表明了需要装的版本
- 一些报错
- conda 安装TensorFlow-Gpu出现权限不够提示加上“--user”，不知道是以下哪种情况导致的，但是可以解决
- Pycharm未关闭
- 没有加——user
- 运行报错“缺少cudart64_110.dll”
- 意思就是缺少cuda11.0+
- AttributeError: module 'tensorflow' has no attribute 'variable_scope'
- 原因就是1.0版本不能用2.0跑
- 解决方案
- tensorflow早已进入2.0时代，但是大部分代码还是在1.0时代创造的，修改代码换环境换安装包等等方法令人烦躁，还会引出一堆其他问题，因此给出修复大部分错误的简单解决方法：（未实践证明）
- 使用tensorflow 2.0以上版本，并且安装tf_slim
- 将import tensorflow as tf 改成import tensorflow.compat.v1 as tf（不要管ide的红线报错）import tf_slim as slim
- 添加tf.disable_v2_behavior()到首行即可修复
- 直接创建虚拟环境配置成老版本的TensorFlow并下载对应的依赖
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
