配置TensorFlow-gpu
總結一下這次踩坑歷程，從早上弄到凌晨才堪堪搞定。
首先把需要注意的重要步驟列舉如下：
- 使用anaconda配置環境
- 安裝CUDA和CUdnn的正確版本
- 安裝TensorFlow
anaconda配置環境
第一步當然就是安裝anaconda，裝好以後就可以打開anaconda prompt，然後輸入命令
conda create -n py36 python=3.6
conda activate py36
pip config set global.index-url https://pypi.douban.com/simple/
第一句是創建環境，其中py36是環境名，python=3.6是指定python版本，這是因爲TensorFlow只支持到3.6。這個過程中需要務必重視版本問題！
第二句是激活環境。
第三句是給pip換源，這也是提高效率的重要一步，使用國內源能大大提升下載速度，其中豆瓣源速度最快。
安裝CUDA和CUdnn
這是最耗費我時間的一步，我參照網上的教程踩坑無數，最終才成功安裝了正確版本。我最後選擇的CUDA版本不是最新的10.2或者是網上介紹的多的10.0，而是恰到好處的10.1。
原因很簡單，編譯CUDA需要使用visual studio，10.0需要vs2017，10.1以上需要vs2019。而我的電腦上正好有vs2019，加之現在要安裝vs2017太過於繁瑣。
然後有了10.1的CUDA當然就需要配套的CUdnn，這個可以去官網下載，但是太坑了，經常下載到一半就網絡連接失敗，十分不穩定。所以我把軟件傳上了百度雲，供各位下載：
鏈接：https://pan.baidu.com/s/13Q2-fZ-PEva5a7nWKd-96w
提取碼：52xg
所以其實不止需要準備CUDA和CUdnn，還需要正確版本的VS。
然後等CUDA安裝好之後，還需要設置系統環境變量path，添加上：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
安裝TensorFlow
這裏就不難了，只需要安裝正確版本的就行，另外，不必特別去安裝TensorFlow-gpu，因爲最新版本的TensorFlow自動會優先選擇gpu進行運算。
這裏需要提一點就是，網上的教程大多都是TensorFlow 1的，然後很多也建議人去安裝TensorFlow 1.14。但是這就很麻煩了，因爲1.14對應CUDA 10.0，然後還需要vs2017，這就像俄羅斯套娃一樣，環環相扣，很難操作。
所以我的建議還是按部就班安裝最新版的TensorFlow。
pip install tensorflow
當然，需要注意的是，記得先激活環境py36再執行上面的安裝指令。
最終直接在anaconda prompt終端在py36環境中輸入下面指令進行測試。
python
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 13304585269051445485
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 529727078
locality {
bus_id: 1
links {
}
}
incarnation: 15490686893388268312
physical_device_desc: "device: 0, name: GeForce MX250, pci bus id: 0000:02:00.0, compute capability: 6.1"
]
在我自己的電腦上運行輸出如上。上面的輸出表示，TensorFlow可用於運算的設備有兩個，一個cpu和一個gpu。至此就大功告成。
結語
雖然磕磕絆絆，但總算是用上了gpu，如果不是我滿腔熱血，估計也沒法堅持着探索出來…早知這麼麻煩就只用cpu好了。
接下來還有更大的坑——網上的教程都是TensorFlow 1的，然後我未來的TensorFlow 2學習之路估計也十分坎坷。