前言
由于机器学习课程需要制作一款基于机器学习的程序代码，因此需要安装 Tensorflow-gpu来进行跑代码，众所周知， Tensorflow环境以难配而出名，因此本文作为记录，浅踩坑
所需
- 一台支持GPU算力的机器
anconda环境
请注意：在执行下面代码的前提为：你要确定你电脑的CUDA版本信息，由于 tensorflow版本管理相当苛责，因此版本不对可能会导致无法运行.因此在开始整个教程前,你需要找好自己的配置文件
Linux
查找自己的CUDA版本
使用命令:nvidia-smi
部分截图如下:
如上对应的便是你的CUDA版本
创建一个虚拟环境
conda create --name 你的环境名称 python=3.7
输入y进行安装，出现如下提示代表安装完成，虚拟环境配置成功
进入虚拟环境
conda activate 你的环境名称
当前面括号内显示的是你的环境名称，则代表进入成功
安装 cudatoolkit
根据自己的GPU对应的CUDA进行配置，具体对应关系详见： 对应关系
这里以我电脑为例，安装 cudatoolkit=10.1(这里图文版本对应不匹配,原因看其他->cudnn包问题):
conda install cudatoolkit=10.1
出现以下信息表示安装完成
安装 cudnn
也是要从官网上查询相关安装指南，具体对应关系详见： 对应关系
这里以我电脑为例，安装 cudnn=7.6
conda install cudnn=7.6
安装结果如下:
安装 Tensorflow-gpu=2.3
输入命令:
pip install tensorflow-gpu==2.3.0
Windows
与Linux安装方式基本相同,这里不在进行多余赘述,仅加入在windows下如何判断自己的CUDA版本
判断自己的CUDA版本
在桌面右键,打开 NVIDIA控制面板,点击左下角的 系统信息
点击 组件然后看 3D设置中的 NVCUDA64.DLL 后面的 产品名称中CUDA版本便为你的版本信息,如下图所示,我的CUDA版本便是11.1.70
寻找的时候对应的便是 11.1(其实个人实践可以向下兼容2333)
剩余的配置过程与Linux一致,直接参考Linux便可
其他
Conda更换镜像|转载|
在国内访问相关国外网站使用原本的资源会显得很慢（尤其在学校实验室中），因此可以通过换源或者使用”科学”的方式进行访问，这里不对第二种方式进行讨论，仅讨论如何更换镜像源
由于我使用的是科学方式,因此对于换源方式成功性不做评价
显示之前的镜像源
conda config --show添加镜像源
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清除之前的缓存
conda clean -i删除指定的镜像源
conda config --remove channels 你想移除的指定镜像路径恢复默认镜像源
conda config --remove-key channels
cudnn包问题
由于在安装的过程中,发现报错
后面查询相关知识了解到一个issue ,因此推断可能是镜像源问题,所以更换成默认镜像源,然后发现更换了报错信息:
根据相关指引,去官方库中进行搜索,发现:
特喵的! cudnn包并没有 8.0版本,如果想自行配置8.0版本,时间开销可能过大,因此选择已有的7.6版本,与其匹配的是 Tensorflow-2.3.0版本,因此上面部分信息可能图文不符,以文字描述为主(主要是懒不想删照片重新截图2333)
Reference
排名不分先后