本人最近在研究机器学习方面的知识，要运用unet来实现医学图像分割，本文是为了实现unet代码而做的前期准备工作，综合网上的经验与自身的实践最终选择了keras+tensorflow-gpu来跑unet代码，下面是我安装tensoflow-gpu的整个过程，记录下来方便以后查阅。

目录

1. 安装anaconda

2. 创建虚拟环境并安装python3.6

3. 安装tensorflow-gpu

3.1 安装前奏——CUDA和cuDNN

3.1.1下载CUDA

3.1.2 cuDNN下载

3.1.3 CUDA安装

3.1.4 cuDNN配置

3.2 tenforflow-gpu下载

3.3 测试代码

---

1. 安装anaconda

这个很简单，已安装的直接跳过。未安装可参考https://baijiahao.baidu.com/s?id=1616120886763657106&wfr=spider&for=pc

2. 创建虚拟环境并安装python3.6

安装好anaconda后，点击开始——Anaconda Prompt。

输入代码，创建一个名字为tensorflow，python版本为3.6的虚拟环境。

conda create -n tensorflow python=3.6

 

 

输入y，成功后激活虚拟环境

输入代码，进入虚拟环境

activate tensorflow

此时环境由base变为tensorflow，tensorflow环境里只有刚刚创建环境时安装的python3.6

3. 安装tensorflow-gpu

3.1 安装前奏——CUDA和cuDNN

用GPU计算肯定离不开显卡，显卡的好坏决定了你的运算速度。首先查看你的显卡，gpu算力需要5.0以上的显卡才能进行GPU的计算https://blog.csdn.net/huixingshao/article/details/82215703  然后就是安装CUDA和cuDNN。

去官网下载对应的CUDA版本，最新版本为CUDA10.1（安装最新版你很可能会失败）,个人推荐CUDA9.0+cuDNN7.0的组合，毕竟我是成功过的人！！

3.1.1下载CUDA

下面是各个版本的CUDA下载地址https://developer.nvidia.com/cuda-toolkit-archive

按照上图选项下载CUDA9.0，文件1.4G，等待下载完成。

3.1.2 cuDNN下载

各版本cuDNN下载地址https://developer.nvidia.com/rdp/cudnn-archive

找到cuDNN v7.0.5 for CUDA9.0，然后选择Library for Windows 10，文件173M等待下载完成。

3.1.3 CUDA安装

以防万一，先把杀毒软件退出，再双击运行刚刚下载好的CUDA9.0 exe文件

推荐默认选项，不要更换路径，强烈建议！点击ok

等待进度条完成，点击同意并继续

点击自定义，下一步。

 

 

点击 I understand --->NEXT。然后等待安装完成。

 

如果你到达了这一步，恭喜你，你快成功了！（期间有闪屏是成功的体现！）

如果没有到达上一步，卡住了，可以将所有NVIDIA的程序卸载后，杀毒软件清理垃圾再重启重新安装。

3.1.4 cuDNN配置

将下载好的cuDNN压缩包解压，

然后把里面所有的文件包括文件夹复制粘贴到CUDA9.0的安装目录下，

默认安装路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

检查环境变量，右键我的电脑-->属性-->高级系统设置-->环境变量。

出现上面两个环境变量名即安装成功。

3.2 tenforflow-gpu下载

安装tensorflow-gpu1.6版本，调用镜像加速，下载速度快一些。确保在tensorflow环境下输入以下代码

pip install tensorflow-gpu==1.6 -i https://pypi.douban.com/simple

网上有太多的版本了，看的眼花缭乱，这里可以参考一下tensorflow版本和cuda对应表

图片来源https://blog.csdn.net/lifuxian1994/article/details/81103530

 

可以用pip list查看目前安装的包，可以看到tensorflow-gpu 1.6已成功安装。

接下来就可以用tensorflow gpu加速啦！在命令行输入pip install keras安装keras

3.3 测试代码

 

在命令行进入python，分别输入import tensorflow和import keras，不报错即安装成功

接下来测试tensorflow-gpu，在python文本编辑中输入以下代码

import os from tensorflow.python.client import device_lib os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99" if __name__ == "__main__": print(device_lib.list_local_devices())

 

会得到以下输出。

出现GPU的信息即说明tensorflow-gpu可用。

也可以打开anaconda，将base环境切换成tensorflow。

切换后安装Spyder（因人而异，选择编辑工具），再输入上面的代码来进行测试。

总结：失败多次的原因还是因为CUDA和cuDNN的版本不导致而造成的，版本一定要对应！！还有tensorflow的版本也要对应，不要一味的装最新版。

1. 如果找不到tensorflow，请在命令行输入pip list，查看是否安装tensorflow-gpu版本，如果不是，就运行pip uninstall tensorflow....把所有带tensor的都卸载掉，重新安装pip install  tensorflow-gpu==1.6 -i  https://pypi.douban.com/simple

2. 测试代码时，如果找不到skimage，则在命令行输入pip install scikit-image

3. 如果只显示cpu信息，则通过pip list查看tensorflow版本。

4. 如果还是有错误，请逐一确认python版本为3.6以下版本，CUDA9.0+cuDNN7.0+tensorflow-gpu 1.6。