一、前言

在大数据集情况下，CPU 版本无法进行加速运算，计算速度对比GPU版本相对缓慢。但在小数据集的情况下CPU和GPU的性能差别不大。CPU 版本暂可用作学习，如为了学习模型算法，数据集不大，使用 CPU 版本也能勉强应付。待日后对深度学习有了一定了解再升级 GPU 也未尝不可。

1、了解自己的机器配置
2、找到适合自己的Tensorflow版本
3、搭建Tensorflow环境

二、了解自己的机器配置

1.查看自己电脑是否支持使用GPU

请在命令提示行(cmd)输入以下命令查询：

nvidia-smi

在这里插入图片描述
请确认一下您的英伟达显卡是否支持CUDA 11.2版本。（只要您的显卡不是太老，应该是支持的。）

请注意本教程必须是11.2版本，因为PyPI和构建版本都是基于它的。
我的是RTX3050Ti，因为看到了最高支持版本可以达到CUDA 12.0就进行安装了CUDA 12.0，导致Tensorflow无法调用GPU。（如果你已经安装了CUDA 12.0或者其他不适配的版本，也不要着急搜一份如何卸载干净CUDA的教程，让CUDA可以再次安装）

至于CUDA 12.0能不能用，答案是可以的，只不过相对应的环境配置就较为麻烦，Windows10和11的用户如果安装了CUDA 12.0并且想使用Tensorflow，那必须要在WSL2的基础上进行环境搭建。（ Tensorflow不同版本和相应的构建所需要的python，Compiler，Build tools，cuDNN，CUDA版本都是要对应的上的）

如图所示，Tensorflow在2.10版本之后就不再支持，本教程只负责不需要WSL功能的Tensorflow2.10版本。
在这里插入图片描述

2.检查

如果你已经安装好了，可以看一下是不是支持GPU的版本（既然都看教程了，那大概率不是）

# 我们使用tf.test.is_built_with_cuda()查一下是不是支持cuda，因为一般就是用英伟达的显卡所以查一下cuda就可以
# Returns whether TensorFlow was built with CUDA (GPU) support.
tf.test.is_built_with_cuda()
# 如果是其他的可能的GPU支持，用一下命令？但是不在我们讨论范围内。
# Returns whether TensorFlow was built with GPU (CUDA or ROCm) support.
tf.test.is_built_with_gpu_support()
# 如果tf.test.is_built_with_cuda()返回True
# 测试一下是否有显卡
# 如果tf.config.list_physical_devices()会返回可用的CPU和GPU
tf.config.list_physical_devices('GPU')
# 如果有返回应该就是已经再用GPU训练了。
# 部分教程使用的是tf.test.is_gpu_available()，目前还可以使用，但是未来回移除
tf.test.is_gpu_available()

如果不是请卸载当前的tensorflow

pip uninstall tensorflow

三、安装

1.安装CUDA Toolkit 11.2.0

cuda toolkit下载地址
在这里插入图片描述
如果下载感觉很慢，可以使用复制下载链接的形式到迅雷下载，速度马上飙升噢！

在这里插入图片描述
下载好了之后直接安装就可以了。如果有安装失败的，可能就是你之前的没卸载干净。

2.安装cuDNN SDK 8.1.0

cuDNN网址
在这里插入图片描述

这个下下来是个压缩文档，直接解压。把这三个放到CUDA里面去（地址在下面，基本上都一样）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

在这里插入图片描述

3. 安装Tensorflow

我本地是用的Anaconda创建的虚拟环境执行的这个代码

conda create -n 虚拟环境的名字 python=3.8
conda activate 虚拟环境的名字

deactivate  \\是退出环境
conda remove -n 虚拟环境的名字 --all \\是删除环境(运行完后还需要手动去删一次文件夹噢)

pip install tensorflow==2.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成之后，回到上面的检查，用那里的代码再看看是否可以支持GPU。

四、测试

import tensorflow as tf
import timeit
 
 
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(cpu_a, cpu_b)
    return c
 
 
def gpu_run():
 
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000, 1000])
        gpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(gpu_a, gpu_b)
    return c
 
 
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print("cpu:", cpu_time, "  gpu:", gpu_time)