cuda，cudnn，安装和tensorflow的gpu调配

忙了两周终于安装完了cuda 和 cudnn ，并且成功调用tensorflow的GPU使用！！！

1；首先 找自己电脑的适配cuda

如图，按我标记的顺序点，调出电脑的显卡信息，可见，我的电脑的cuda版本最高支持10.2的版本，所以安装的时候我可以安装10.2以下的版本。

2；cuda，cudnn，tensorflow版本适配表

这里只是罗列出windows的一部分的适配表，详情请见：

tensorflow，cuda,cudnn适配表

3；决定适合自己的版本后，开始下载！

cuda下载：cuda各版本下载地址

（注意，下载时候建议下载local，本地下载，会直接把要下载的插件都下载，如果选择net，网络下载，就会在安装时候下载一些相关插件）

cudnn下载：cudnn个版本下载地址

tensorflow -gpu下载：

tensorflow-gpu==1.8.0 python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu

（这里采用镜像源下载，复制粘贴到终端命令中就行，本人用的是anaconda，所以用的终端是Anaconda Prompt）

4；cuda安装：

这里是临时解压路径：

如果是第一次安装，建议精简安装，如果是第n次安装，建议自定义安装，且只选择cuda：

之后是选择安装路径，本人这里是选择第一个：

这里在终端中输入 nvcc -V 得到如下图所示的结果，说明安装成功：

5；安装cudnn

这一步比较简单，如图，解压后有三个文件夹，将每个文件夹中的文件分别复制到NVIDIA GPU Computing Toolkit\CUDA\v10.1 中的bin，include，lib中：

如上图所示，复制好以后添加环境变量

6；添加环境变量

这里是添加环境变量的详细步骤，如图显示的CUDA_PATH_V10_1 和 CUDA_PATH 是安装完CUDA后系统自动添加的：

在path中新建4个环境变量：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp

另外，在系统变量中添加一个CUDA_VISIBLE_DEVICES=0的变量，0为GPU的编号，此处是建立永久变量

CUDA_VISIBLE_DEVICES=1     # 只有编号为1的GPU对程序是可见的，在代码中gpu[0]指的就是这块儿GPU
CUDA_VISIBLE_DEVICES=0,1,2 # 只有编号为0,1,2的GPU对程序是可见的，在代码中gpu[0]指的是第0块儿，
						   # gpu[1]指的是第2块儿，gpu[2]指的是第3块儿
CUDA_VISIBLE_DEVICES=2    # 只有编号为2的GPU对程序是可见的。

当然，也可以在终端中建立临时的环境变量：

Linux： export CUDA_VISIBLE_DEVICES=1
windows:  set CUDA_VISIBLE_DEVICES=1

参考链接

7；检测环境变量是否添加成功

在终端输入 cd + 安装路径中demo_suite 这个文件中
cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite

分别输入deviceQuery.exe 和 bandwidthTest.exe，分别得到result = pass 即说明环境变量配置成功：

至此，cuda，cudnn配置完成。

8；在tensorflow中配置GPU

在终端中查看gpu命令代码

在终端输入 nvidia-smi 查看GPU情况：

在红色画圈那里，表示的是你机器上gpu的状态，0代表gpu的id，我的电脑上就一个独立显卡，所以就显示一个显卡。如果你的机器上有多个显卡，它就会显示0，1，2，3 等

在软件中查看GPU命令代码

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus) 			# 这里查看机器上的可用CPU，和GPU
tf.test.is_gpu_available()  # 查看自己机器上的GPU是否可用，可用的话返回True
tf.config.experimental.set_visible_devices(devices=gpus[2:4], device_type='GPU') 
# 这里是允许机器使用GPU的数量 2：4 个

配置GPU

• 方法一 、tf.device

tf.device('/gpu:1') # 这里是调用第二块GPU，但是这样调用由于没有屏蔽其他的GPU，所以会有其他GPU一起跟着运行

• 方法二 、通过CUDA_VISIBLE_DEVICES来指定.
  之前设置的环境变量在这里起作用了

import os
os.environ['CUDA_VISIBLE_DEVICES']='1' # 这里只让第二块GPU 对机器可见，这样其他GPU就不会跟着运算

参考链接

结尾，撒花！！！历时两周，终于搞定了，最后真的希望尽我所能帮到大家。此外如果文章有问题，还希望大家及时指出，我会后续修改的。