tensorflow-gpu版本安装及深度神经网络训练与cpu版本对比

tensorflow1.0和tensorflow2.0的区别主要是1.0用的静态图

一般情况1.0已经足够，但是如果要进行深度神经网络的训练，当然还是tensorflow2.*-gpu比较快啦。

其中tensorflow有CPU和GPU两个版本(2.0安装方法)，

CPU安装比较简单：

pip install tensorflow-cpu

一、查看显卡

日常CPU足够，想用GPU版本，要有NVIDIA的显卡，查看显卡方式如下：

二、查看版本对应关系

然后我们需要去下载NVIDIA驱动CUDA以及支持神经网络训练的CUDNN模块：（重点，其中需要查看自己NVIDIA版本 Python版本 CUDNN版本是否匹配）

下载CUDA：https://developer.nvidia.com/cuda-11.3.0-download-archive

三、安装cudnn

CUDA安装完毕后，需要安装支持神经网络训练的CUDNN模块，下载 cuDNN，下载之前需要先注册一下 Nvidia 的账号，下载地址为：https://developer.nvidia.com/rdp/cudnn-download

下载完成之后将其解压，解压之后的目录如下：

需要将以上三个文件复制到CUDA的安装目录中，通过上面的安装，我们将CUDA安装到了C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3中。

四、安装anaconda

安装Anaconda:

然后最好是使用anaconda安装tensorflow，先去安装anaconda,详细教程传送门：https://blog.csdn.net/fan18317517352/article/details/123035625

其实如果不想麻烦的配置环境变量，可以在安装Anaconda过程中选择JUST ME， 然后将Anaconda加入环境变量。

然后直接就可以在anaconda里选择tensorflow-gpu进行安装，安装完毕后，查看能否支持gpu:

import os
import tensorflow as tf
print(tf.test.is_gpu_available())
gpus = tf.config.list_physical_devices('GPU')
cpus = tf.config.list_physical_devices('CPU')
print(gpus, cpus)
from tensorflow.python.client import device_lib

print(device_lib.list_local_devices())

如果输出如下，则说明可以使用GPU

（注意，真的只是可以使用，不代表可以用了，自己体会，我曾经被坑了好久）：

五、测试（重点干货来了）

import os

# 指定使用0卡
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

如果提示缺少dll文件，去这个网址找：https://cn.dll-files.com/cudart64_110.dll.html 缺啥找啥，看链接后缀

然后训练模型，发现只能训练前馈神经网络，速度还很慢，训练深度网络时，直接内存不足，但原因可能是由于缺少文件：

Process finished with exit code -1073740791 (0xC0000409)

解决办法：Pycharm中，点击RUN-EDIT CONFIGURATIONS，输出错误信息

发现缺少文件：

下载zlib并且解压

dll放到cuda安装目录的bin里，lib放到cuda安装目录的lib文件夹下，然后开始训练，你会发现用GPU真香

CPU耗时：

GPU耗时：

切换CPU GPU 只要切换设备就行了，我只进行了2epoch的卷积训练，可以看到GPU速度要比CPU快个4 5 倍左右，如果是前馈神经网络或者简单的神经网络，测试验证使用CPU是被GPU要快的，所以自己需要根据实际情况切换设备。

需要zlib文件的可以给我留言。