windows10配置tensorflow环境

1、配置流程概览

1.配置cuda与cudnn

2.配置anaconda

3.在anaconda中配置tensorflow

1.1 什么是CUDA和Cudnn

首先我们要明白几个概念以及他们之间的关系：显卡驱动、CUDA以及Cudnn

• 显卡驱动：显卡驱动就是用来驱动显卡的程序，它是硬件所对应的软件。打一个不是很恰当的比喻，操作系统就像一个人，显卡就比作一辆车，显卡驱动就像车钥匙，没有对应的驱动，操作系统就无法调用对应的硬件。
• CUDA：CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。CUDA的本质是一个工具包（ToolKit）
• Cudnn:NVIDIA cuDNN是用于深度神经网络的GPU加速库。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中。
• CUDA与CUDNN的关系
      CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
  cuDNN是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。
• CUDA与显卡驱动
  NVIDIA的显卡驱动器与CUDA并不是一一对应，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以。但是使用的CUDA版本不能高于自己的显卡驱动版本。

1.2 tensorflow各个版本的CUDA以及Cudnn版本对应关系

相应的网址为：
https://www.tensorflow.org/install/source#common_installation_problems
https://www.tensorflow.org/install/source_windows

版本	Python 版本	编译器	编译工具	cuDNN	CUDA
tensorflow_gpu-2.0.0-alpha0	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2	7.4.1以及更高版本	CUDA 10.0 (需要 410.x 或更高版本)
tensorflow_gpu-1.13.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2	7.4	10.0
tensorflow_gpu-1.12.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.11.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.10.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.9.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.11.0	7	9
tensorflow_gpu-1.8.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.10.0	7	9
tensorflow_gpu-1.7.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.6.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.5.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.8.0	7	9
tensorflow_gpu-1.4.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.5.4	6	8
tensorflow_gpu-1.3.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	6	8
tensorflow_gpu-1.2.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	5.1	8
tensorflow_gpu-1.1.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8

2、具体配置

2.1 CUDA与CUDNN

CUDA的下载地址为：https://developer.nvidia.com/cuda-downloads

2.2 CUDNN

CUDnn的下载地址为：https://developer.nvidia.com/rdp/cudnn-archive

2.3 Anaconda

Anaconda的下载地址为：https://developer.nvidia.com/cuda-downloads

这里将两个都勾选，然后一路next

2.4 tensorflow

1. 打开Anaconda Prompt，创建虚拟环境：conda create -n tensorflow python=3.6
2. 激活tensorflow环境 activate tensorflow
3. 安装tensorflow
   这里介绍两种方法

• 如果使用比较新的tensorflow-gpu版本，使用

pip install tensorflow-gpu==1.14 -i https://pypi.tuna.tsinghua.edu.cn/simple
//如果清华源不行 豆瓣源比较好用

• 如果是比较老版本的（例如tensorflow-gpu==1.4）

1. 搜索tf
   anaconda search -t conda tensorflow-gpu
   接下来选择一个源地址
   

2. 安装tf
   conda install --channel https://conda.anaconda.org/aaronzs tensorflow-gpu=1.4.0
   
   最后一行会出现安装方式，如图所示
   

2.5 测试是否配置成功

输入python，进入python命令行

3、遇到的问题以及解决方案

conda常用的命令。
1）conda list 查看安装了哪些包。
2）conda env list 或 conda info -e 查看当前存在哪些虚拟环境

• 虚拟环境装烂了
  使用命令conda remove -n your_env_name(虚拟环境名称) --all， 即可删除环境（釜底抽薪）。
  跑tensorflow时遇到OOM问题
  
  选择降低每一块的大小

4、参考文章

tensorflow各个版本的CUDA以及Cudnn版本对应关系
CUDA与cuDNN
https://blog.csdn.net/u012620515/article/details/78792670