文章目录
一、显卡型号二、CUDA三、cuDNN四、tensorflow-gpu五、查看显卡利用率Linux系统Linux下Anaconda参考文献此文章默认显卡支持CUDA和已安装显卡驱动，貌似目前只有英伟达的显卡支持CUDA。
本人显卡为GTX1660，需要的CUDA和cuDNN已打包好（hyfi），其余请自行下载
绿色软件GPU-Z可直接检测显卡，下载链接（os41）
一、显卡型号
桌面右键→NVIDIA控制面板→帮助→系统信息
显卡型号为GTX 1660
若桌面右键无NVIDIA控制面板，查看参考文献
二、CUDA
查找显卡对应的CUDA版本：接着上一步→组件
显卡GTX 1660对应的CUDA版本为CUDA 10.1，可以选低一个版本，如CUDA 10.0
下载CUDA Toolkit
安装，环境变量自动配上
命令行输入nvcc -V
三、cuDNN
根据CUDA版本下载cuDNN（需登录），关键是CUDA版本，cuDNN版本选新的下载得到压缩包，解压后将三个文件夹粘贴到CUDA
四、tensorflow-gpu
查看版本：右上角Language设为English，拉到最下面CUDA 10.0+cuDNN 7.6.1，装tensorflow-gpu 1.14.0
安装
pip install tensorflow-gpu==1.14.0
测试代码
import tensorflow as tfa = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')c = tf.matmul(a, b)sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))print(sess.run(c))
出现此结果证明使用的是GPU运行
a: (Const): /job:localhost/replica:0/task:0/device:GPU:0b: (Const): /job:localhost/replica:0/task:0/device:GPU:0[[22. 28.][49. 64.]]
若为tensorflow2，测试代码
import tensorflow as tftry:with tf.device('/device:GPU:0'):v = tf.Variable(tf.zeros([10, 10]))print(v)except:print('no gpu')
五、查看显卡利用率
配置环境变量Path：C:\Program Files\NVIDIA Corporation\NVSMI\查看显卡利用率
简单查看：nvidia-smi
每秒刷新：nvidia-smi -l 1
Linux系统
默认已安装 CUDA 和 cuDNN
1. 查看显卡型号
nvidia-smi
2. 查看CUDA版本
cat /usr/local/cuda/version.txt
3. 查看cuDNN版本
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
4. 选择对应版本安装
pip install tensorflow-gpu==2.3.0
Linux下Anaconda
在 Linux 下基本没有 root 权限，通过conda命令安装不同版本的 CUDA 和 cuDNN
1. 查看显卡驱动版本
cat /proc/driver/nvidia/version
根据 CUDA和最低要求驱动 最高可安装 CUDA 10.1
2. 创建虚拟环境
conda create -n deep2 python=3.6
3. 激活虚拟环境
conda activate deep2
4. 安装CUDA
conda install cudatoolkit=10.1
5. 安装cuDNN
conda install -c conda-forge cudnn
6. 查看CUDA版本
conda list cudatoolkit
7. 查看cuDNN版本
conda list cudnn
8. 选择对应版本安装
pip install tensorflow-gpu==2.3.0
