鲁达 1. 安装配置GPU环境
1.1. 安装GPU版tf
在之前我们已经安装了CPU版的TensorFlow，为了使用GPU来加速计算，我们必须安装GPU版的TensorFlow。这里我们可以直接使用pip命令来安装：
apip install tensorflow-gpu==2.0.0-alpha0安装完成后我们后我们可以查看一下当前可用的GPU：
from import device_lib
def get_available_gpus():
local_device_protos = device_lib.list_local_devices()
return [x.name for x in local_device_protos if x.device_type == 'GPU']
print(get_available_gpus())
由于本人机器上有两块GPU，所以输出两块GPU的编号：“[‘/device:GPU:0’, ‘/device:GPU:1’]”。
1.2. 安装显卡驱动
根据你的显卡型号到官网（）下载对应的驱动。我的服务器上有两块Tesla P100的显卡，如图所示选择对应的驱动程序。这里一定要注意选择正确的版本，要和你的显卡版本、操作系统版本以及想要安装的CUDA版本一一对应。
NVIDA驱动下载列表
点击搜索，然后点击下载即可。
NVIDA驱动下载提示
安装完成之后可以使用“nvidia-smi”命令查看显卡。
显卡信息
1.3. 安装cuda
在安装CUDA之前，我们一定要先搞清楚TensorFlow各个版本与CUDA版本的对应关系。在TensorFlow官网有相似的说明（），其中Linux系统环境下TensorFlow GPU版本与CUDA版本的对应关系如图所示。
TensorFlow与CUDA的版本对应关系
Ten GPU版依赖的NVIDA软件包
TensorFlow-GPU的2.0.0-alpha版对应的NVIDA驱动版本、CUDA版本、cuDNN的版本号。
1.3.1 下载CUDA
首先我们到NVIDIA官网（）下载CUDA。
选择对应的CUDA版本
选择对应系统环境的CUDA版本，点击下载。
1.3.2 安装CUDA
CUDA下载页面有安装指引，如图所示。
CUDA的安装步骤
第一步：执行安装命令
sudo dpkg -i cuda-re第二步：添加kay
sudo apt-key add /var第三步：依次执行
sudo apt-get update sudo apt-get install cuda-10.0注意不要使用“sudo apt-get install cuda”，这样默认安装的是最新版，所以一定要指定版本。
安装完成后，在“/usr/local”目录下会生成“cuda”和“cuda-10.0”两个文件夹，如图所示，我们可以使用命令“cat /usr/local/cuda”查看CUDA版本。
第四步：设置环境变量
打开“~/.bashrc”文件，在文件的最后最后添加如下内容：
export PATH=/usr/local${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}在终端执行命令“source ~/.bashrc”让环境变量生效。
第五步：验证安装是否成功
- 进入目录“/usr/local”中打开终端；
- 终端下执行编译命令：sudo make
- 然后执行命令：./deviceQuery，可以看到两块GPU的信息
如图所示，检测到两块显卡，图中是其中一块显卡的信息。到这里CUDA已经安装完成了。
显卡的信息
1.4. 安装cuDNN
1.4.1 下载
（）
这里一定要下载与CUDA10.0对应的版本。下载CNDNN需要登录NVIDIA账号，没有的话，可以按照提示创建一个账号。
cuDNN与CUDA的版本对应关系
选择好cuDNN版本后，点击下载“cuDNN Library for Linux”，如图所示。
cuDNN下载列表
1.4.2 安装
第一步：解压文件
tar zxvf cudnn-10.0-linux-x64-v7.5.0.56.tgz第二步：拷贝文件，并修改文件权限
sudo cp cuda/include /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include /usr/local/cuda/lib64/libcudnn*到这里Ten的GPU版就安装配置完成了。
2. 使用TensorFlow-GPU
如果我们的机器上安装配置好了GPU版的TensorFlow，那么运行的时候TensorFlow会自行去选择可用的GPU。我们也可以通过“os.environ["CUDA_VISIBLE_DEVICES"]”来选择我们要使用的GPU：
import tensorflow as tf import os # 选择编号为0的GPU os.environ["CUDA_VISIBLE_DEVICES"] = "0" # 创建模型 model = () model.add(16, activation='relu', input_shape=(10,))) model.add(1, activation='sigmoid')) # 设置目标函数和学习率 optimizer = ) # 编译模型 model.compile(loss='binary_crossentropy', optimizer=optimizer) # 输出模型概况 model.summary()我们选择了编号为“0”的这个GPU，执行完上面的这段代码后我们使用命令“nvidia-smi”来查看一下GPU的占用情况，如图所示，编号为“0”的GPU正在被占用。我们可以将代码中的“0”改为“1”来使用另一个GPU。
查看GPU占用情况
如果我们希望使用多块GPU，例如同时使用“0”、“1”两块GPU，可以设置“os.environ["CUDA_VISIBLE_DEVICES"] = "0,1"”，除此之外我们还可以使用TensorFlow为“”提供的分布式训练策略“”来实现单机环境下的多GPU训练：
import tensorflow as tf from import layers strategy = () # 优化器以及模型的构建和编译必须嵌套在“scope()”中 with (): model = () model.add(16, activation='relu', input_shape=(10,))) model.add(1, activation='sigmoid')) optimizer = ) model.compile(loss='binary_crossentropy', optimizer=optimizer) model.summary()