TensorFlow

GPU 支持  |  TensorFlow 官方教程

要让 TensorFlow 使用 GPU 而不是 CPU，首先需要确保以下几点：

1. 检查 GPU 环境

- 确保你已经安装了适用于 TensorFlow 的 GPU 版本，并且系统中安装了 CUDA 和 cuDNN。如果你已经安装了 TensorFlow 的 CPU 版本，你可能需要卸载它并安装 GPU 版本。

2. 安装 TensorFlow GPU 版本

新版本是集成到，可以CPU版可以GPU版

3. 验证 TensorFlow 是否检测到 GPU

- 在运行代码前，可以使用以下代码检查 TensorFlow 是否检测到了 GPU：

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

- 如果输出显示 "Num GPUs Available: 0"，则说明没有检测到 GPU，可能需要检查 CUDA 和 cuDNN 的安装或环境变量配置。

4. 显式指定使用 GPU

- 如果你的系统有多个 GPU，可以指定使用哪个 GPU 进行计算：

import tensorflow as tf
gpus =tf.config.experimental.list_physical_devices('GPU')
if gpus:
    try: 
		# 设置TensorFlow仅使用第一块GPU          
tf.config.experimental.set_visible_devices(gpus[0], 'GPU')
		tf.config.experimental.set_memory_growth(gpus[0], True)  # 按需分配显存
	except RuntimeError as e:
print(e)

5. 设置环境变量

- 你也可以通过设置环境变量来指定 TensorFlow 使用 GPU：

     export CUDA_VISIBLE_DEVICES=0

- 这个命令将指定使用第一个 GPU（编号从 0 开始）。你可以根据需要调整使用的 GPU 编号。

6. 常见问题

- CUDA 和 cuDNN 的版本问题：确保安装的 CUDA 和 cuDNN 版本与 TensorFlow 的版本兼容。

- 显存不足：如果 GPU 显存不足，TensorFlow 可能会默认回退到 CPU 计算。可以通过上面设置 set_memory_growth(True) 来按需分配显存。

### 运行环境和安装检查

在终端中运行以下命令，确保安装了必要的工具：

nvcc --version  # 检查CUDA版本

通过这些步骤，TensorFlow 应该能够在 GPU 上运行而不是 CPU 上。如果在设置过程中遇到问题，可以进一步检查 CUDA 和 cuDNN 的安装，以及确保环境变量正确配置。