WIn10
安装cuda
先安装VS，然后根据自己的版本安装CUDA、
安装完后，打开cmd命令行输入nvcc -V，检测是否安装成功
安装cuDDN
安装对应版本，解压后覆盖到CUDA的地址，默认为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1
使用anaconda安装tensorflow-gpu
创建一个新的环境
conda create -n env_name python=version
激活并进入环境中
conda activate tensorflow
更换清华源（https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/）（也可使用其他源）
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes
安装
conda install tensorflow-gpu （或者是pip，注意版本，这里是1.x，需要安装keras，后续keras已经自带，不需要单独安装）
测试
安装keras
conda install keras
使用jupyter
Jupyter Notebook
添加其他conda虚拟环境
https://blog.csdn.net/u011606714/article/details/77741324
Ubunt/18.04
1、安装驱动
2、nvidia-smi，查看自己的驱动和CUDA版本，没有cuda也可以在conda里装
3、安装anaconda
4、新建一个虚拟环境
5、激活虚拟环境，以下操作在虚拟环境中进行conda create -n env_name python=version
pip 和 conda 更新清华源 https://mirrors.tuna.tsinghua.edu.cn/help/pypi/
6、conda list 看有没有cuda，cudnn，没有的话再装（conda install cudatoolkit conda install cudnn）
7、conda install python==3.7 ，安装python是为了后面使用虚拟环境的python，不会和本机环境打架（如果已经装了，就不用再装了）
8、pip install tensorflow-gpu
(安装的是tf2，里面自带keras。如果需要其他版本自行设定。 注意！！！ tf2-gpu 需要cuda10.0,10.1会报错，至少截止目前（2019.11.20）是这样)
updata 2020.1.8
conda search tensorflow-gpu
conda install tensorflow-gpu=2.0.0
遇到的问题（重点）：
记录遇到的一些环境问题
目前已知tf2-gpu无法在cuda10.1上运行，错误提示：缺少动态链接库
退回到cuda10.0，cudnn7,6，遇到Could not create cudnn handle: CUDNN_STATUS_INTERNAL_ERROR
在 https://github.com/tensorflow/tensorflow/issues/24496 找到解决办法
```
import tensorflow as tf
config = tf.compat.v1.ConfigProto()
config.gpu_options.allow_growth = True
session = tf.compat.v1.Session(config=config)
```
或者是
```
physical_devices = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(physical_devices[0], True)
```
这个的意思大概是tf会默认占用所有闲置现存，然后加上这个后，就动态分配现存
看评论说，这个问题多出现在RTX显卡上。而且这种解决方法会影响速度，暂时没有其他方法
下面用搭建CNN测试环境
import tensorflow as tf from tensorflow.keras import datasets, layers, models, losses ''' 第一步：选择模型 ''' model = models.Sequential() ''' 第二步：构建网络层 ''' # 第1层卷积，卷积核大小为3*3，32个，28*28为待训练图片的大小 model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(28, 28, 1))) model.add(layers.MaxPooling2D((2, 2))) # 第2层卷积，卷积核大小为3*3，64个 model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.MaxPooling2D((2, 2))) # 第3层卷积，卷积核大小为3*3，64个 model.add(layers.Conv2D(64, (3, 3), activation='relu')) model.add(layers.Flatten()) model.add(layers.Dense(64, activation='relu')) model.add(layers.Dense(10, activation='softmax')) model.summary() ''' 第三步：编译 ''' # sgd = SGD(lr=0.01, decay=1e-6, momentum=0.9, nesterov=True) # 优化函数，设定学习率（lr）等参数 # 使用交叉熵作为loss函数 # compile()方法只有三个参数: 优化器optimizer，损失函数loss和指标列表metrics model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) ''' 第四步：训练 .fit的一些参数 batch_size：对总的样本数进行分组，每组包含的样本数量 epochs ：训练次数 shuffle：是否把数据随机打乱之后再进行训练 validation_split：拿出百分之多少用来做交叉验证 verbose：屏显模式 0：不输出 1：输出进度 2：输出每次的训练结果 validation_data：指定验证集, 此参数将覆盖validation_spilt。 ''' (X_train, Y_train), (X_test, Y_test) = datasets.mnist.load_data() # 使用Keras自带的mnist工具读取数据（第一次需要联网） # 由于mist的输入数据维度是(num, 28, 28)，这里需要把后面的维度直接拼起来变成784维 X_train = X_train.reshape(X_train.shape[0], 28, 28, 1).astype('float32') / 255 X_test = X_test.reshape(X_test.shape[0], 28, 28, 1).astype('float32') / 355 model.fit(X_train, Y_train, batch_size=200, epochs=20, validation_split=0.2, verbose=1) ''' 第五步：输出结果 ''' scores = model.evaluate(X_test, Y_test, batch_size=200) print('Test loss:', scores[0]) print('Test accuracy:', scores[1])