• 1.VS20XX，如VS2017必须要装吗？
• 2.CUDA是精简安装还是自定义安装？
• 3.CUDA Driver Version / Runtime Version不一致有没有问题？
• 4.为什么tensorflow的GPU运算比CPU还慢？
• 5.如何看GPU是否运行？
• 6.GPU运行报错：Resource exhausted: OOM when allocating tensor with shape
• 7.测试代码的报错分析

当我们把CUDA、cudnn、tensorflow-GPU都装好，但在tensorflow GPU测试tf.test.is_gpu_avaiable()却始终返回false，怎么办？

import tensorflow as tf
tf.test.is_gpu_available()
FALSE
 
可能的原因如下：
 ————————————————————————————————
 
1.CUDA、cudnn、Tensorflow、python版本并不配套！！！（大多都是这个原因）
 
查看tensorflow官网的版本要求：https://tensorflow.google.cn/install/source_windows（见【经过测试的构建配置】）
 
 先查看目前能支持的最高的CUDA版本！
 在安装之前可以在pytorch官网看一下能支持的的最高的CUDA版本，尽量与tensorflow共用CUDA。https://pytorch.org/
 
请仔细核对你的版本是否符合要求。
 eg：我的环境配置：
 
python： 3.7.1
CUDA：10.0.132
cudnn：V7.4.1.5（根据cuda版本和tf版本来选）
tensorflow-gpu-2.0.0
 
重要补充：CUDA环境升级教程----------------------
 
CUDA驱动版本是向下兼容的，所以保持最新就没事，也就是驱动版本可以高于CUDA版本。
 卸载和重装CUDA教程：
 https://blog.csdn.net/weixin_44606139/article/details/127493438
 
同一台电脑，我将CUDA从10升级到了11.0，此时我就可以用更高的python版本和tensorflow版本、pytorch版本，给一个版本配套的配置：
 
 
python：3.8
 
 
cuda：11.0，能够同时满足tensorfow和pytorch的是CUDA11.0
 
 
cudnn：8.0
 
 
tensorflow-GPU：2.4.0
 
 
 
pytorch：1.7.1
 
 
2.CUDA没有装好：
 
验证方式一：nvcc -V
 
 正确输出版本表示成功，否则没装好。
 
验证方式二：运行demo
 
打开 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite
 
（若是自定义安装，则换成相对应的路径）
 
在此路径下打开powershell
 
执行：.\bandwidthTest.exe
 
 输出如图，表示CUDA安装成功，否则CUDA没装好
 
若CUDA可运行，且版本没问题，那么可能是一下的原因：
 
3.环境变量没配置好
 
参考这里：https://blog.csdn.net/u010618587/article/details/82940528?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
 
4.NVDIA驱动版本太低不合要求
 
参考：https://blog.csdn.net/flana/article/details/104772614
 
可以尝试更新一下NVDIA驱动，看是否成功。不成功也没有影响。
 
5.以前的tensorflow没有卸载干净
 
这个也是有可能的，若是以前安装过tensorflow其它版本，如CPU版本，一定要卸载干净后再装新的版本！
 
看写没卸载干净，
 
方式一：pip list 看是否有带tensorflow名称的库
 
方式二：到对应的文件夹下看，eg：Anaconda就到Anaconda3\Lib\site-packages的目录下看是否还有tensorflow相关的文件夹
 
有的话用pip uninstall的方式卸载掉
 
6.装了多个Tensorflow或Python（少见，但我就是这个原因！！！）
 
同一台电脑中装了多个python，在一个python中装了tensorflow，但在pycharm中调用Interpreter时又没有选对对应的装了tensorflow的python环境。
 比如：我有一个直接通过python安装包安装的python环境（图中的Python3.7，称为A），还有一个anaconda自带的python环境（图中的Python3.7（2），称为B），我在A环境下装了tensorflow-CPU，另外在B环境下又直接装了一个tensorflow-CPU，此时两套是独立的，两套环境都可以在Pycharm调用和切换。
 
 
然后我想把B环境下的tensorflow换成GPU版本，装好了，然后在Pycharm中运行测试程序或其它程序时，没有将Interpreter切换到对应的B环境，此时相当于还是在用A环境下的tensorflow-CPU，所以始终FALSE。（因为环境装了太久，自己都忘了）
 
然后通过检查查看tensorflow运行时的版本和路径，才发现了这个问题。此时将Interpreter切换到B环境下，问题解决。
 多说一句：这个本质原因不是同时装了多个tensorflow的问题，而是多个python环境在执行程序时没有选择正确。
 
这里给一个完整的验证tensorflow-GPU是否可用的程序：
 
import tensorflow as tf
print(tf.__version__)  # 查看tensorflow版本
print(tf.__path__)     # 查看tensorflow安装路径
a = tf.test.is_built_with_cuda()  # 判断CUDA是否可以用
b = tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)  # 判断GPU是否可以用
print(a) # 显示True表示CUDA可用
print(b) # 显示True表示GPU可用
# 查看驱动名称
if tf.test.gpu_device_name():
    print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
else:
    print("Please install GPU version of TF")
网上看了那么多，我可能是第一个提醒：在验证tensorflow-GPU是否可用前，先查看一下tensorflow版本和安装路径。
 
——————————————补充——————————————————
 
1.VS20XX，如VS2017必须要装吗？
 
不用，虽然tensorflow官网也有说让装，其实可以不用装，VS2017是用于编译tensorflow的，我们直接用编译好的，就不用装它。
 
2.CUDA是精简安装还是自定义安装？
 
推荐自定义安装，可以选择安装路径，教程如下：
 
https://blog.csdn.net/u010618587/article/details/82940528?depth_1-utm_source=distribute.pc_relevant.none-task&utm_source=distribute.pc_relevant.none-task
 
3.CUDA Driver Version / Runtime Version不一致有没有问题？
 
只要CUDA Driver Version > Runtime Version就没有问题。
 
我把NVDIA Driver（不是CUDA）升级了，结果GPU还是可以用。
 
如何查看这两个的版本：
 
 
4.为什么tensorflow的GPU运算比CPU还慢？
 
参考：https://www.cnblogs.com/liuhuacai/p/12328020.html
 
 
结论：1.在计算量较小的情况下，cpu的计算速度比gpu计算速度快，但是都是微量级别的差异
 
2.随着计算量的增加，cpu的计算时间逐步增加，而gpu的计算时间相对平缓，在计算量达到一定程度之后，gpu的优势就出来了。
 
5.如何看GPU是否运行？
 
最简单的就是直接在任务管理器-性能中查看。在进程里可以看到哪些程序在使用GPU。
 
6.GPU运行报错：Resource exhausted: OOM when allocating tensor with shape
 
参考：https://www.jianshu.com/p/f29dbb13bb07
 OOM表示分配的显存超过GPU可用的最大显存，显存不足（OOM, Out of Memory)
 可能的原因：
 （1）batchsize太大，这种只需要将batchsize减小就行了，比如从1开始
 （2）GPU的显存太小，或者剩余的显存太少了
 
7.测试代码的报错分析
 

 这是一个朋友运行测试代码后的报错情况，若是你也遇到这样的问题，那么可以仔细分析看一下报错中的第2、3行，主要问题在于“cudnn64_8.dll not found”，你可以在电脑中搜索一下是否存在这个文件，若没有，一个简单的办法就是去下载对应的文件，然后放到指定的目录中，具体可以参考：https://blog.csdn.net/a1456123a/article/details/115098630；若有，那么可能是路径不正确或其他的问题。
                    为什么CUDA装好了，Tensorflow-GPU不能用？当我们把CUDA、cudnn、tensorflow-GPU都装好，但在tensorflow GPU测试tf.test.is_gpu_avaiable()却始终返回false，怎么办？import tensorflow as tftf.test.is_gpu_available()FALSE可能的原因如下：————————————————————————————————1，CUDA、cudnn、Tensorflow、python版本并不
				
pytorch无法调用gpu的解决方法
UserWarning: CUDA initialization: The NVIDIA driver on your system is too old (found version 10010). Please update your GPU driver by downloading and installing a new version
导入torch后torch.cuda.is_available()为false
ELF标头无效
[ /job:localhost/replica:0/task:0/device:CPU:0 ]
当我看到CPU的时候瞬间蒙了，我指定的是使用GPU为什么出现CPU被占满的错误，于是开始上网搜索，试了好多种方法，例如：
没有安装tensorflow-gpu、tensorflow-gpu版本没有和cuda相对应
	te...
				
在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cuda的问题。
cuda、cudnn。...
之前用tensorflow整天检测都是说False，捣鼓了一天，总结分享一下。
因为要使用pytorch，所以安装的cuda10.2（这个cuda指的是英伟达官网那个2G多的exe安装文件）
但是，tensorflow官网上展示的cuda版本和tensorflow-gpu版本对照中，并没有cuda10.2的版本，就很气。
问题一：tensorflow-gpu 1.x版本的安装
这个其实比较好解决
比如我要安装tensorflow-gpu 1.15.0版本
                    m0_63471180: 
                    运行make出现：
NDT_PCL_demo/normal_distributions_transform.cpp:49:16: error: ‘boost::this_thread’ has not been declared
   49 |         boost::this_thread::sleep (boost::posix_time::microseconds (100000));
                【NLP】常见自然语言处理任务及工具方案
                    落叶阳光: 
                    这个搜一下LAC示例的博客就知道了，主要是需要根据LAC的词典格式定义自己的词典，然后LAC函数里面有个dic属性，赋值词典路径即可。
                【NLP】常见自然语言处理任务及工具方案
                    woshayebuhuib: 
                    想问一下 lac怎么载入自定义的词典啊
                【hadoop】解决浏览器不能访问Hadoop的50070、8088等端口
                    m0_64101192: 
                    请求超时，怎么办