在神经网络的实现中，需要使用GPU进行加速，并使用keras模块来构建神经网络(当然，也可以使用pytorch)。但是，安装并配置这些东西真的是比编程还难，过程中遇到各种问题，然后去搜解决方法，但都五花八门，可能因为每个人遇到的问题的具体情况不同，所以即使按照别人的方法也还是会出现问题。这里，我将自己在整个过程中遇到的问题和解决办法，以及注意事项记录下来，以备后用，也希望可以帮助到一些人。其实这里主要要注意的就是各种版本的对应问题。

第一步 安装CUDA和cuDNN 

要使用GPU加速，首先就要去安装CUDA和cuDNN。注意，只有电脑是NVIDIA显卡的才可以使用这个进行加速。

这里要注意，要看一下你的电脑的显卡对应的是哪个版本的CUDA，千万不要下错了，不然运行不了的。

查看方法很多，网上都很容易搜得到，这里介绍其中一种：

• 打开 NVIDIA控制面板 -> 帮助 -> 系统信息，就可以查看自己的显卡对应哪个版本。我电脑的是GTX 965M，对应的是CUDA9.0。

找好对应的版本后，就去下载吧，给出网址：

https://developer.nvidia.com/cuda-toolkit-archive

进去后选择相应的版本和电脑信息。这里选择本地安装，也就是将安装包下下来，在线安装容易受网络影响。这个网址没有被墙，可以正常访问，下载速度也是可以的。

下载CUDA的同时，来看一下cuDNN吧。这个也要注意版本的对应。给出网址：

https://developer.nvidia.com/rdp/cudnn-download

下载这个时要先进行注册什么的，按照要求进行就可以了。进去后，每个版本的cuDNN后面都会写明其对应的CUDA版本(网上也搜得到其对应的关系)，选择相应的版本下载就好了。

下载完成之后，就可以开始安装了。先安装CUDA。

启动exe文件，会让你选择一个目录地址，这个只是文件的解压目录，并不是安装的目录，在安装完成之后会被自动删除，这里根据自己的情况选一下就好了。然后就会自动检测系统兼容性什么的，完成之后，就可以正式的安装了。

在安装时，选择自定义安装的方法，然后勾选，这里我没有截图，就从网上找了一张差不多的。只要不勾选里面的 Visual Studio Integration 就好了，至于为什么，我也不知道，反正我第一次安装时只勾选了CUDA，然后就出问题了

点击下一步，就会选择安装路径，这里网上说建议安在C盘，所以我也就没有改。

如果自定义了安装路径，好像安装完成了之后要手动配置环境变量，这里可以参考这篇文章的第三部分：https://www.cnblogs.com/yh0721/p/11322424.html。

这里最好记住这里的三个路径，后面会用得到。同样也忘记截图了，网上找了一张，反正这个页面基本都相同。

然后点击下一步，让它安装就好了。

安装完成之后，就安装cuDNN，这个很简单，是插入式安装。把文件解压，然后把里面的三个文件夹里的文件(注意，是文件)复制到CUDA安装文件夹(就是上面的 CUDA Development 的那个安装路径下)的对应文件夹内。

到这里，就安装完了，可以测试一下是否安装成功。

进入到上面的安装文件夹下的 extra/demo_suit 文件夹(如：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite)下，然后在地址栏输入 cmd，打开命名提示行。运行 bandwidthTest.exe 和 deviceQuery.exe ，结果如下，得到两个 PASS，就基本是安装成功了。

到这里，CUDA和cuDNN就算是全部安装成功了。

第二步 安装tensorflow-gpu 

这里又得要注意版本了。

如果你用的是 CUDA10.0 及以上 并且 使用的是 python3.5-3.7(截止到2020.7.20，之后的支持范围详见下面网址的介绍)，那么可以直接按照下面网址里面的方法安装 tensorflow2 即可。好像 tensorflow2 不再区分 CPU 和 GPU 版本，所以安起来简单很多，具体还是见官网。网址：

使用 pip 安装 TensorFlow2：

https://tensorflow.google.cn/install

初学者的 TensorFlow 2.0 教程：

https://tensorflow.google.cn/tutorials/quickstart/beginner

如果你不满足上面的条件，那么就跟着我一步步往下走吧。

首先，根据自己的 CUDA 和 cuDNN 找到自己的 tensorflow-gpu 版本。对应关系如图(注意：这里python版本最高只支持到3.6。我开始就没有注意，结果一堆问题，搞得想砸电脑)：

---

---

如果python版本比3.6高怎么办呢？

这里就直接在 anaconda 里创一个新的环境就好了(不得不说，使用anaconda来管理版本简直不要太方便)。

现在就来创一个python3.6的环境。

打开anaconda的命令提示窗口( Anaconda Prompt (anaconda3) )，输入：

# 创建一个名为python3的环境，指定Python版本是3.6以上的最新版# 不用管是3.6.x，conda会为我们自动寻找3.6.x中的最新版本conda create --name python36 python=3.6

运行，系统就会开始去解析并且创建环境。解析完成之后，会出来一个 package plan ，并询问是否继续，这就是我们创建这个新环境所需要下载的包，直接输入 y 即可，让它下载并创建环境。

下载完成后，就会自动创建环境，完成之后。我们也可以在 anacodna 的environment里看到这个环境。

接下来，我们按照他给出的命令提示激活环境，进入到这个环境里。

# 激活环境：conda activate python36# 离开环境conda deactivate# 激活环境后，在命令行前面会有一个当前所处环境的表明，如：# (python36) C:\Users\Hasee>

现在这里，就是一个全新的环境了，可以确定一下当前的python版本。

更多的关于python环境管理的，可以参考这个：https://www.jianshu.com/p/2a628a462e87

因为这是一个全新的环境，所以像一些numpy，pandas 等的模块是都还没有的，所以这里需要自己安装一下。你可以使用 pip list 命令查看一下当前已有的模块。

# 使用 清华镜像源 安装模块pip install numpy pandas matiplotlib scipy -i https://pypi.tuna.tsinghua.edu.cn/simple# 这里只是部分举例，具体要安哪些看自己。# 建议先只安一些必要的，后面再一边写程序，一边慢慢加# 好像也有一些直接可以在开始就下载必要模块的方法，但我没有去尝试

把模块安好了之后，还需要安装 Notebook，因为这是一个全新的环境，所以什么都得重新装(这点就很烦)。安装 Notebook 时，建议不要到 anaconda 软件里面去安装，安装的超级慢，而且因为网速慢所以很容易失败。

# 直接利用清华镜像使用pip安装，也可以使用condapip install jupyter notebook -i https://pypi.tuna.tsinghua.edu.cn/simple

等待下载安装完成就OK了。

但是这里有个小小的问题，使用pip安装了之后，在anaconda软件里，notebook仍然显示未安装。不过我们可以直接使用 命令提示符 进入(注意当前的环境，不要进错了哦)。

到这里，创建python3.6的新环境就基本OK了！

---

---

对tensorflow-gpu，使用 pip 安装并且指定安装版本(不指定的话，会默认安装最新版的，这就可能跟你的CUDA等不对应了)，这里是用的是清华大学的镜像源：https://pypi.tuna.tsinghua.edu.cn/simple。我这里按照对应关系，安装的1.11.0。

pip install --upgrade tensorflow-gpu==1.11 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装tensorflow-gpu时，还会自动下载一些相应依赖，所以要稍微等待一下下。安装完成之后，可以用 pip list 看一下是否有这个模块，我这里就不截图了。

---

在这里，我第一次安的时候，想看一下安装是否成功，所以进入Python环境，然后 import tensorflow。

结果发现有点问题：“ Could not load dynamic library ‘cudart64_100.dll’; dlerror: cudart64_100.dll not found”。不要怕。这里直接复制了一个cudart64_100.dll文件放到同名文件夹(CUDA里的bin文件夹)里就好了。

链接：https://pan.baidu.com/s/1t0rog1mT-wR_5PlvCEQswQ提取码：ch3z

然后，再试一次，成功。

---

到这里，基本就可以使用GPU了，给几个例子试试：

1、看看 tensorflow 检测到的 能使用的设备情况

# 检测 tensorflow 能使用的设备情况from tensorflow.python.client import device_lib#os.environ["CUDA_VISIBLE_DEVICES"] = "1"  # 这个可以指定使用哪个设备print(device_lib.list_local_devices())

如果不能使用GPU，就不会输出GPU的型号和算力。

2、输出是否能使用GPU

import tensorflow as tfprint(tf.test.is_gpu_available())print(tf.test.gpu_device_name()) #输出gpu的名称

返回了True，也就是可以使用GPU，并且设备名字也跟上面得到的结果相同。

3、使用tensorflow-gpu

说了这么多，能够直接使用tensorflow-gpu让GPU进行计算才是王道。

import tensorflow as tfimport osimport numpy as np# 加载数据集# from keras.datasets import mnist# (train_images, train_labels), (test_images, test_labels) = mnist.load_data()# 这里加载数据集要去访问一个网址进行下载，由于众所周知的原因，这个网址是访问不了的# 所以这里使用下载下来的本地数据集。# 链接：https://pan.baidu.com/s/1rzqWrlsO7Zg2gtmCxYQZjA# 提取码：ff9zpath='./mnist.npz'f = np.load(path)x_train, y_train = f['x_train'], f['y_train']x_test, y_test = f['x_test'], f['y_test']f.close()x_train, x_test = x_train / 255.0, x_test / 255.0model = tf.keras.models.Sequential([  tf.keras.layers.Flatten(input_shape=(28, 28)),  tf.keras.layers.Dense(128, activation='relu'),  tf.keras.layers.Dropout(0.2),  tf.keras.layers.Dense(10, activation='softmax')])model.compile(optimizer='adam',              loss='sparse_categorical_crossentropy',              metrics=['accuracy'])model.fit(x_train, y_train, epochs=5)model.evaluate(x_test,  y_test, verbose=2)

可以看到，训练数据时，GPU1(也就是我的NVIDIA显卡)被使用了(看到他终于动了，不再是0%，真的超级开心)，虽然CPU的利用率也上升了，但问题不大，之前只能用CPU时，运行这个程序，CPU利用率为百分之八十几。这里数据的训练不是很复杂，所以效果也不是很明显。

整个过程取得阶段性胜利！！！

第三步 安装keras       这里同样也要注意版本。版本对应关系见：

https://docs.floydhub.com/guides/environments/

部分如图：

找好版本后(我对应的是图中的红框框，所以下载的keras2.2.4)，同样使用 pip 安装并且指定安装版本，不指定的话，会默认安装最新版的，这就可能跟你的tensorflow-gpu不对应了，import keras 时，就会报错，如下图：

按要求指定版本安装后，试试 import keras：

出现这样的，就是安装成功了。

到这里就大功告成了！！！

再次强调，一定要注意各个部分的版本对应问题。

配置环境也太难了，折磨了我三四天，赶紧买杯奶茶犒劳一下自己