tensorflow | 使用 gpu 跑程序

tensorflow 写 gpu 程序和写 cpu 是一样的，你不需要额外在代码中做多余的操作，只需要写出一份代码，至于使用的是 cpu 还是 gpu 取决于你安装的是 tensorflow 还是 tensorflow-gpu。

但是，如果你有多块 gpu 的话，想要使用一块 gpu 跑，还是需要写使用哪一块的代码，不写的话，自由分配，可能是多块 gpu 一起跑代码。

环境

• ubuntu 18.04
• python 3.6
• 1080ti && 2080ti
• cuda 10.2
• driver 440

cuda 和 cudnn 如何安装 gpu 版本

在 tensorflow 的官网上

• GPU 支持

需要

• cuda
• cudnn

但是，在现在我们可以使用 anaconda 或者 miniconda 来配置生产环境，如 cuda 和 cudnn 。

在之前我们安装应该是下面的路线：

GPU driver → CUDA Toolkit → cuDNN → Python → Tensorflow

但是，有了 anaconda 后，我们先安装的是

GPU driver

• ubuntu | 安装显卡驱动和CUDA

接着，我们安装相应的 tensorflow-gpu 版本。

conda install tensorflow-gpu==1.****

不推荐使用 pip 安装。

具体安装什么版本，可以查看

• cuda 和 gpu 驱动关系
• tensorflow gpu 版本 和 cuda cudnn 关系

但是，我在实际安装过程中，是这样的顺序。

1. 装 ubuntu 系统，然后在图形化界面中，自动安装 gpu 驱动
   • 无论是 1080ti 还是 2080ti 我安装的驱动都是 440
   • 如果 nvidia-smi 会发现，已经安装好 cuda10.2
2. 然后根据项目要求直接运行
   • conda install tensorflow-gpu=1.****

比如，我装的是 tensorflow-gpu=1.10.0

运行

conda list | grep tensorflow

出现

tensorflow 1.10.0
tensorflow-base 1.10.0
tensorlfow-gpu 1.10.0

然后执行

conda list | grep cuda

出现

cudatoolkit 9.2
cudnn 7.6.5

这里有一个疑问是，程序使用的是 10.2 的 cuda 还是 9.2 的 cuda ？

这里，我根据使用情况来判断的话，我认为在该虚拟环境中，我们使用的是 9.2 的 cuda 。

这也和官网上提供的版本相对应

版本	Python 版本	编译器	构建工具	cuDNN	CUDA
tensorflow_gpu-1.10.0	3.5-3.6	MSVC 2015 update 3	Cmake v3.6.3	7	9