远程服务器上tensorflow+cuda安装编程

版本选择1 查询显卡型号2 版本选择3 测试（1）测试代码：（2）报错：（3）解决： 4 注意事项 修改程序1 运行示例 参考

notice：适用于在conda中操作

版本选择

选择依据：显卡为NVIDIA系列 & 显卡计算能力 > 3.5

1 查询显卡型号

nvidia-smi

在 NVIDIA官网 查询到显卡（划横线）计算能力。

2 版本选择

CPU版本都适用，根据习惯的python选择即可。注意：tf版本不同可能会带来部分函数存在差异。
GPU要关注：CUDA 和 cuDNN，从NVIDA官网上下载。具体参见：博客
而查询已安装CUDA和cuDNN版本：

## CUDA
cat /usr/local/cuda/version.txt
## cuDNN
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

由此选择tensorflow旧版的 tf各旧版的依赖性

3 测试

（1）测试代码：

import tensorflow as tf

tf.test.is_gpu_availvable()

（2）报错：

如果cuda版本不对，会报错

（3）解决：

要求重安裝cuda，为着不的影响同一用户账户，可以一直在conda周围环境中装。 check是否存在所需包，如：

conda search cudatoolkit

安装指定包

conda instal cudatoolkit==10.0.130

检查安装

conda list

之后在进行测试（1），为True即可

4 注意事项

如果是从零开始搭，根据需要，先下cuda，再下tf，最后弄cudnn，就能尽量避免测试出现False如果已经有cuda和cudnn了在自己的conda中装cudatoolkit避免影响到别人也ok

修改程序

import tensorflow as tf

import os
os.environ["CUDA_VISIBLE_DEVICES"] = "1"

只需要在程序开头添加两行行即可，其中“1”表示用第几块，运行前先用 nvidia-smi查询空闲卡。

1 运行示例

import tensorflow as tf
import os

os.environ["CUDA_VISIBLE_DEVICES"] = "5"

# 显示可用几块GPU
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))


# 显示具体哪块GPU用来运行
tf.debugging.set_log_device_placement(True)

# Create some tensors
a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
c = tf.matmul(a, b)

print(c)

with tf.Session() as sess:
    print(sess.run(c))

参考

tf各版本依赖conda命令GPU训练cuda与tf版本不匹配