由于各种深度学习框架（TensorFlow、Pytorch等等）和 cuda 版本的更新较快，可能出现程序的编译和运行需要之前版本的 cuda 进行运行环境支持的情况。
为了满足应用程序和框架本身对不同版本的 cuda 的需求，这里即记录笔者了解到的 Windows 和Ubuntu 环境下 TensorFlow 所使用 cuda 版本以及TensorFlow使用不同版本的 cuda 进行运行的方法。
一、硬件要求
官网链接：
https://developer.nvidia.com/cuda-gpus
选则自己显卡类型对应的NVIDIA系列，可以得到显卡的计算能力（compute capability）
注意标注Notebook的为笔记本电脑
不知道自己显卡版本的可以通过”设备管理器”查看，或者使用第三方软件GPU-Z查看。请注意，AMD的显卡不可以使用英伟达开发的CUDA…
二、软件要求
1. 查看Python、tensorflow、CUDA、Cudnn版本的对应关系，确定版本方案
注意记下自己需要的tensorflow版本、CUDA版本、Cudnn版本、Python版本
以下是我windows系统的安装方案：
tf1.15.0+CUDA10.0.130+CuDNN7.4.2+Python3.7.11
tf2.5.0+CUDA11.2.0+CuDNN8.1.1+Python3.7.11
安装文件我都下载好啦~如果系统和方案和我一样的就可以直接下载用
链接：https://pan.baidu.com/s/1VGCSy7yAOhXwgHtPfmzRtw
提取码：sau0
Windows用户Tensorflow官网链接
https://www.tensorflow.org/install/source_windows
; Linux用户Tensorflow官网链接
https://www.tensorflow.org/install/source#common_installation_problems
注意：
若要支持 Python 3.9，需要使用 TensorFlow 2.5 或更高版本。
若要支持 Python 3.8，需要使用 TensorFlow 2.2 或更高版本。
如果使用错误的Python版本，将无法安装TensorFlow！
2. 下载NVIDIA GPU 显卡驱动程序
显卡驱动的下载链接
https://www.nvidia.com/download/index.aspx?lang=en-us#
填入GPU的信息
得到下载链接
; 验证驱动安装成功
查看N卡状态
nvidia-smi
3. 下载CUDA工具包
3.1 简介
CUDA 是NVIDIA专门负责管理分配运算单元的框架
CUDA的本质是一个工具包（ToolKit）
CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。
3.2 下载方法
下载之前我们需要知道已经安装了什么版本的CUDA
至于如何知道您安装了多少个工具包，请参考3.3。
[En]
As for how to know how many toolkits you have installed, refer to 3.3.
安装最新版本CUDA工具包
下载链接：
https://developer.nvidia.com/cuda-toolkit-archive
我们可以选择两种安装方法。
[En]
We can choose two installation methods.
一种是离线安装即本地安装（推荐第一次安装CUDA的用户使用）
一种是在线安装（推荐已经安装多个CUDA版本的用户使用）
解释：NVIDIA显卡驱动和CUDA工具包本身是不具有捆绑关系的，也不是一一对应的关系，只不过是离线安装的CUDA工具包会默认安装与之匹配的最新的驱动程序，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的CUDA即可。
这里我要安装到E盘，不是默认目录，所以选则自定义
; 3.3 查看所安装的CUDA版本
（1）在windows平台下:
方法一（推荐）：
直接进入CUDA的安装目录，默认是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA然后执行： type version.xxx 即可查看（有的是.txt文件，有的是.json文件）
方法二（不推荐）：
通过命令查看：nvcc -V 或者是nvcc –version都可以，但前提是添加了环境变量
（2）在Linux平台下：
同windows类似，进入到安装目录，然后执行 cat version.txt 命令
4. cuDNN
4.1 简介
cuDNN是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。
cuDNN（CUDA Deep Neural Network library）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。
4.2 下载及安装
需要注册和登陆NVIDIA 帐户并填写问卷才能下载
https://developer.nvidia.com/rdp/cudnn-archive
下载是一个压缩包，解压后，里面有三个文件夹。
[En]
Download is a compressed package, decompressed, there are three folders inside.
找到 CUDA 的安装路径，默认是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1
复制 cuDNN bin 目录下的文件到 CUDA 的 bin 目录下（.dll）
复制 cuDNN include 目录下的文件到 CUDA 的 include 目录下（.h）
复制 cuDNN lib/x64 目录下的文件到 CUDA 的 lib/x64 目录下（.lib）
读不懂的看这个图
接下来设置环境变量：
计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V10_1两个环境变量，接下来，还要在系统中添加以下几个环境变量：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1
(这是默认安装位置的路径，经自定义路径后，我的路径为E:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.1)
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64
然后：
在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
'''
再添加如下4条（默认安装路径）
读不懂的看下面的图
4.3 查看自己的cuDNN的版本
cuDNN本质上就是一个C语言的H头文件
（1）在windows平台下:
直接进入安装目录：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2\include
之下，然后找到cudnn_version.h 的头文件，直接点开查看，在最开始的部分会有如下定义：
即7500，也就是cudnn的版本为8.1.1版本；
（2）在Linux平台下：
使用命令进入安装目录并执行以下命令：
[En]
Use the command to enter the installation directory and execute the following command:
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
即5005，即5.0.5版本的cudnn。
4.4 验证是否配置成功
主要使用CUDA内置的deviceQuery.exe 和 bandwithTest.exe：
首先win+R启动cmd，cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe,应该得到下图:
; 5.CUDA 工具包附带的CUPTI(可选)
CUPTI，即CUDA Profiling Tools Interface (CUPTI)。在CUDA分析工具接口（CUPTI）能够分析和跟踪靶向CUDA应用程序的工具的创建。CUPTI提供以下API：
Activity API，
Callback API，
事件API，
Metric API，和
Profiler API。
使用这些API，您可以开发分析工具，深入了解CUDA应用程序的CPU和GPU行为。CUPTI作为CUDA支持的所有平台上的动态库提供。请参阅CUPTI文档。
https://docs.nvidia.com/cupti/Cupti/index.html
三、TensorFlow & Pyrhon
3.1 python安装
（1）查看已有的python版本
方法一（推荐）：
在命令窗口，输入
where python
它会显示python的对应路径，多个版本时候会显示多个路径
可以看到，有anaconda的版本，同时有programs的python3.8版本，但是我们需要python3.7版本
（2）python官网下载
https://www.python.org/downloads/
下完完成直接点击exe文件，安装过程注意勾选”添加到环境变量”
3.2 TensorFlow安装
在anaconda prompt中新建环境,起的名字最好可以表现出tensorflow版本，如tf2，tensorflow1.7等，建立名为tensorflow2.5.0的环境，后面跟着的是对应python版本
conda create -n tf2 python=3.7
您需要指定环境的路径，因此可以使用以下命令：
[En]
You need to specify the path to the environment, so you can use the command:
conda create -p /opt/environment/.conda/envs/env_name python=2.7
到此环境创建完成，接下来就要在该环境中真正安装tensorflow了
激活虚拟环境：
activate
conda activate tf2
在不影响主机系统设置的情况下，在虚拟环境中安装软件包。首先升级 pip ：
pip install --upgrade pip --user
然后pip安装tensoflow：(此处加入-i https://pypi.tuna.tsinghua.edu.cn/simple，表示使用清华镜像源安装，比较快)
pip install tensorflow_gpu==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
如果你下载的项目里有requiremwnts.txt文件指明要安装的库，那更好，先cd到这个txt文件所在的文件夹：
D：
cd D:\PycharmProjects\facenet-master
然后按照requiremwnts.txt文件安装库
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
好了，在tensoflow2.5.0环境下，看看python在哪里
where python
可能会有多条路径，没关系，第一条就是当前环境的python:
(tf2) $ where python
E:\Users\THINKPAD\anaconda3\envs\tf2\python.exe
E:\Users\THINKPAD\anaconda3\python.exe
C:\Users\THINKPAD\AppData\Local\Programs\Python\Python38-32\python.exe
查看第一条：E:\Users\THINKPAD\anaconda3\envs\tf2\python.exe（每个人可能不一样）
它就是tensorflow2.5.0版本的python位置，记住你的位置，等会要用
3.3 验证配置成功
现在打开Python
python
import tensorflow as tf
没有红色字报告错误，它终于完成了！
[En]
There is no red word to report an error, it is finally finished!
精致一点的话还可以输入exit，退出ipython环境
其他命令
几个环境命令总结：
conda info --envs
conda list
conda activate （环境名）
conda deactivate
conda remove -n （环境名）--all
四、 在pycharm中使用该版本的tensorflow
如果你是要新建一个工程，那就：
1.在新建工程的create页面点一下project interpreter的三角形，把该选项展开
2.选中靠下的选项：existing interpreter
3.点击路径框右边的三个点”…”，进入add python interpreter页
4.左边一列中选择conda environment
5.在interpreter栏中选择查看到的路径，如D:\anaconda\envs\tensorflow1.7\python.exe
6.为了以后方便使用，勾选make available to all projects
7.ok,检查一下interpreter是否在正确的环境，然后create创建工程即可
如果你是要修改一个已有工程的interpreter：
1.file–settings
2.在左边选项卡中选择project：工程名，再选择进入project interpreter页面
3.project interpreter路径框的下拉键，show all
4.点击右上方的”+”，进入add python interpreter页
5.左边一列中选择conda environment
6.在interpreter栏中选择查看到的路径，如D:\anaconda\envs\tensorflow1.7\python.exe
7.为了以后方便使用，勾选make available to all projects
8.OK
验证安装成功
输入下列代码
import tensorflow as tf
tf.compat.v1.disable_eager_execution()
hello = tf.constant('hello,tensorf')
sess = tf.compat.v1.Session()
print(sess.run(hello))
运行结果：
'hello,world'
设置log输出信息
输出将有大量红色文本，这不是错误。
[En]
The output will have a lot of red text, which is not an error.
你可以在它前面添加这句话，并且不会有红色文本。
[En]
You can add this sentence in front of it, and there will be no red text.
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '1'
根据源码查看 os.environ["TF_CPP_MIN_LOG_LEVEL"]的值的含义：
1、log信息共有四个等级，按重要性递增为：
INFO（通知）
Original: https://blog.csdn.net/qq_24997277/article/details/120315134
Author: Shoko0116
Title: 配置TensorFlow的cuda环境教程
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/511896/
转载文章受原作者版权保护。转载请注明原作者出处！