标签：windows gpu GPU cuda 版本 linux tensorflow 安装
在linux和windows下anaconda+pycharm+tensorflow+cuda的配置
在linux和windows下anaconda+pycharm+tensorflow+cuda的配置
第一次在csdn上写博客，纯粹是为了想自己以后可以来看看之前踩得坑，也方便以后遇到同样的问题的时候能够有经验解决
Window10
首先是在Linux下，刚开始之所以会遇到这个问题是在跑Github上的一个代码，是需要用到tensorflow框架，之后配好环境后代码是能够跑通的，但是计算速度非常慢，使用nvidia-smi查看之后发现并没有用到GPU，应该还是在用cpu在跑，但是代码里也都对GPU进行了调用，所以就很奇怪，寻思之前就对cuda什么的这些不了解，就趁着这次机会可以好好解决一下这个问题。
1.Anaconda+pycharm
2. cuda和cudnn的安装
3. 与tensorflow的关系；
4. tensorflow与tensorflow-gpu
1、Anaconda+pycharm
Anaconda 是一个基于 Python 的数据处理和科学计算平台，它已经内置了许多非常有用的第三方库，装上Anaconda，就相当于把 Python 和一些如 Numpy、Pandas、Scrip、Matplotlib 等常用的库自动安装好了，使得安装比常规 Python 安装要容易。如果选择安装Python的话，那么还需要 pip install 一个一个安装各种库，安装起来比较痛苦，还需要考虑兼容性，非如此的话，就要去Python官网（https://www.python.org/downloads/windows/）选择对应的版本下载安装,可以选择默认安装或者自定义安装,为了避免配置环境和安装pip的麻烦，建议勾选添加环境变量和安装pip选项
此外，anaconda安装成功后可以很方便的创建虚拟环境，对于不同的projects是会需要不同版本的python解释器，这时候利用anaconda就可以很方便的对于不同的环境进行管理。
anaconda和pycharm的安装和配置可详见这篇博客：https://zhuanlan.zhihu.com/p/36389880
对于我而言，因为在之前安装的过程中并没有勾选环境变量，所
以需要在安装完anaconda后添加环境变量，也就是首先找到anaconda的安装路径，然后找到一个scripts文件，点击后将路径复制
然后，右键“我的电脑”>选择“属性”>高级系统设置>环境变量
这时候直接在cmd里输入python就会是anaconda里base的python版本，conda也不是内部命令。
这时候就大功告成了，可以使用conda来创建虚拟环境，对各个projects的管理也方便和很多。常用的conda的命令
2、cuda和cudnn的安装
用GPU计算肯定离不开显卡，显卡的好坏决定了你的运算速度。首先查看你的显卡，gpu算力需要5.0以上的显卡才能进行GPU的计算，可参考下面的博客：https://blog.csdn.net/huixingshao/article/details/82215703 然后就是安装CUDA和cuDNN。
可查看自己电脑的显卡支持的最高版本的cuda，从控制面板里搜nvidia控制面板，在系统信息里可以看到显卡驱动和支持的cuda版本，显卡驱动个cuda版本的对应关系：https://blog.csdn.net/zl535320706/article/details/83474849
之后cuda和cudnn的安装和配置可按照这篇博客进行。
https://blog.csdn.net/Coppa/article/details/90573236
注：cuda安装完成后如果测试代码可能会有问题，重启一下电脑可能会解决。
验证是否安装成功可以直接在cmd里用nvcc --version查看cuda的版本。
3、与tensorflow的关系
众所周知，tensorflow是一个深度学习的框架，我们在跑github上的代码的时候经常会在readme文件里告知此项目需要的tensorflow版本，所以这也是需要创建虚拟环境的好处，可以很容易对不同的项目使用不同的环境，但是一旦用到tensorflow-gpu版本的话就需要使用cuda来进行加速，但是我们在之前已经安装好了cuda的版本，不同的cuda版本是有对应的tensorflow-gpu版本的，具体可参考：https://blog.csdn.net/qq_27825451/article/details/89082978
这里需要注意的是，如果是使用pip install tensorflow-gpu 这时候的tensorflow-gpu是和在电脑里装的cuda和cudnn对应的，所以安装的版本要注意，这时候就会产生一个问题，我们不同的项目是需要使用不同的tensorflow版本的，那我们每次还需要再重新安装cuda吗？其实是不用的，使用pip进行安装时是只会安装install之后的包，但是如果使用的是conda install进行安装，则还会安装除了这个包外其他可能会用到的依赖项，所以如果conda install tensorflow-gpu时就会看到
是默认已经安装了cuda和cudnn的，而且版本是已经适配好的，所以在使用conda进行安装的时候其实是并没有看外部电脑系统里带的cuda版本，所以，这样就可以使用虚拟环境随意使用不同的cuda和tensorflow版本。但是也有一个问题，比如我的系统cuda是9.0，我在使用pip install tensorflow-gpu1.6的时候是可以安装并且跑成功的，但是当我使用conda install tensorflow-gpu1.6的时候就无法进行安装，当调整为1.10版本的时候就可以了，这是目前无法理解的问题，可能是系统自带的cuda还是会影响tensorflow的版本，亦或者是python的版本问题，之后还需要进行解决。
4、tensorflow与tensorflow-gpu
有一个例子说的很好
GPU的工作大部分就是这样，计算量大，而且要重复很多很多次。就像你有个工作需要算几亿次一百以内加减乘除一样，最好的办法就是雇上几十个小学生一起算，一人算一部分
CPU就像老教授，积分微分都会算，就是工资高，一个老教授资顶二十个小学生，你要是富士康你雇哪个
CPU和GPU因为最初用来处理的任务就不同，所以设计上有不小的区别，而某些任务和GPU最初用来解决的问题比较相似，所以用GPU来算了
GPU的运算速度取决于雇了多少小学生，CPU的运算速度取决于请了多么厉害的教授。教授处理复杂任务的能力是碾压小学生的，但是对于没那么复杂的任务，还是顶不住人多。
当然现在的GPU也能做一些稍微复杂的工作了，相当于升级成初中生高中生的水平。但还需要CPU来把数据喂到嘴边才能开始干活，究竟还是靠CPU来管的。
gpu版安装麻烦，需要涉及到cuda(显卡驱动）和cdnn 以及tensorflow-gpu的配置很麻烦，即使安装成功后，调用一大堆问题，只有解决了这些问题才是真的安装好了，并不是有了这个东西就算安装好了。
网上说的tensorflow-gpu的安装会覆盖tensorflow（cpu版），即使tensorflow存在，也是被覆盖了。
我在自己尝试的时候使用conda安装gpu会把cpu版本的也装上，但是在使用的时候是可以直接指定gpu进行使用的。
Linux
linux下基本和windows是一致的。需要注意的点如下。
1、环境变量
linux下的环境变量可以直接编辑./bashrc文件。
命令：ls -a 找到文件 .bashrc；
gedit~./bashrc 打开文件后直接在文件的最末尾加上要添加的环境变量，export PATH=路径:$PATH，之后还需要source回到跟目录即可
2、想到再写吧
标签：windows,gpu,GPU,cuda,版本,linux,tensorflow,安装 来源： https://www.cnblogs.com/Curryxin/p/14126006.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。