tensorflow1.0和tensorflow2.0的區別主要是1.0用的靜態圖

一般情況1.0已經足夠，但是如果要進行深度神經網路的訓練，當然還是tensorflow2.*-gpu比較快啦。

其中tensorflow有CPU和GPU兩個版本(2.0安裝方法)，

CPU安裝比較簡單：

pip install tensorflow-cpu

一、檢視顯示卡

日常CPU足夠，想用GPU版本，要有NVIDIA的顯示卡，檢視顯示卡方式如下：

二、檢視版本對應關係

然後我們需要去下載NVIDIA驅動CUDA以及支援神經網路訓練的CUDNN模組：（重點，其中需要檢視自己NVIDIA版本 Python版本 CUDNN版本是否匹配）

下載CUDA：https://developer.nvidia.com/cuda-11.3.0-download-archive

三、安裝cudnn

CUDA安裝完畢後，需要安裝支援神經網路訓練的CUDNN模組，下載 cuDNN，下載之前需要先註冊一下 Nvidia 的賬號，下載地址為：https://developer.nvidia.com/rdp/cudnn-download

下載完成之後將其解壓，解壓之後的目錄如下：

需要將以上三個檔案複製到CUDA的安裝目錄中，通過上面的安裝，我們將CUDA安裝到了C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3中。

四、安裝anaconda

安裝Anaconda:

然後最好是使用anaconda安裝tensorflow，先去安裝anaconda,詳細教學傳送門：https://blog.csdn.net/fan18317517352/article/details/123035625

其實如果不想麻煩的設定環境變數，可以在安裝Anaconda過程中選擇JUST ME，然後將Anaconda加入環境變數。

然後直接就可以在anaconda裡選擇tensorflow-gpu進行安裝，安裝完畢後，檢視能否支援gpu:

import os
import tensorflow as tf
print(tf.test.is_gpu_available())
gpus = tf.config.list_physical_devices('GPU')
cpus = tf.config.list_physical_devices('CPU')
print(gpus, cpus)
from tensorflow.python.client import device_lib

print(device_lib.list_local_devices())

如果輸出如下，則說明可以使用GPU

（注意，真的只是可以使用，不代表可以用了，自己體會，我曾經被坑了好久）：

五、測試（重點乾貨來了）

import os

# 指定使用0卡
os.environ["CUDA_VISIBLE_DEVICES"] = "0"

如果提示缺少dll檔案，去這個網址找：https://cn.dll-files.com/cudart64_110.dll.html 缺啥找啥，看連結字尾

然後訓練模型，發現只能訓練前饋神經網路，速度還很慢，訓練深度網路時，直接記憶體不足，但原因可能是由於缺少檔案：（這個問題我查了很多資料，大部分無關痛癢，沒有對症下藥）

有說卸了GPU版本裝CPU版的，完事後還說CPU比GPU快，我也是很無語（我只想說那你何必廢勁用GPU呢，直接用CPU不就好了，

至於CPU比GPU快的問題，這個問題要看你的網路結構大小了，網路結構比較小的時候（比如簡單前饋神經網路），cpu與gpu資料傳輸過程耗時更高，這個時候只用cpu會更快。

網路結構比較龐大的時候，（比如深層折積神經網路，層數大於10層就很明顯了，CPU根本跑不動），gpu的提速就比較明顯了。

）

Process finished with exit code -1073740791 (0xC0000409)

解決辦法：Pycharm中，點選RUN-EDIT CONFIGURATIONS，輸出錯誤資訊

發現缺少檔案：

下載zlib並且解壓

dll放到cuda安裝目錄的bin裡，lib放到cuda安裝目錄的lib資料夾下，然後開始訓練，你會發現用GPU真香

CPU耗時：

GPU耗時：

切換CPU GPU 只要切換裝置就行了，我只進行了2epoch的折積訓練，可以看到GPU速度要比CPU快個4 5 倍左右，如果是前饋神經網路或者簡單的神經網路，測試驗證使用CPU是比GPU要快的，所以自己需要根據實際情況切換裝置。

需要zlib檔案的可以給我留言。