2020年Tensorflow2-GPU 完整安装过程总结
Tensorflow2.1将是最后一个支持python2的版本。tensorflow2.1增加了对TPU的支持，同时tf.keras和tf.data这两个常用的API也得到了很多新的更新。Tensorflow2.1的cuda版本为10.1，cuDNN版本为7.6.
Windows 和 Linux 系统的 TensorFlow pip 版本默认支持 GPU。也就是说，如果使用 pip install tensorflow，则版本默认为是 gpu 版本（原始的 tensorflow-gpu 版本依然存在）。当然，不管有没有英伟达版本的 GPU，tensorflow 依然能够运行。
系统要求:
- Python 3.5-3.7
- pip 19.0 或更高版本（需要
manylinux2010支持） - Ubuntu 16.04 或更高版本（64 位）
- macOS 10.12.6 (Sierra) 或更高版本（64 位）（不支持 GPU）
- Windows 7 或更高版本（64 位）（仅支持 Python 3）
- Raspbian 9.0 或更高版本
- GPU 支持需要使用支持 CUDA® 的卡（适用于 Ubuntu 和 Windows）
注意：必须使用最新版本的 pip，才能安装 TensorFlow 2。
硬件要求:
支持以下带有 GPU 的设备：
- CUDA® 计算能力为 3.5 或更高的 NVIDIA® GPU 卡。请参阅支持 CUDA 的 GPU 卡列表。
软件要求:
必须在系统中安装以下 NVIDIA® 软件：
-
NVIDIA® GPU 驱动程序：CUDA 10.1 需要 418.x 或更高版本。
-
CUDA® 工具包：TensorFlow 支持 CUDA 10.1（TensorFlow 2.1.0 及更高版本）
-
CUDA 工具包附带的 CUPTI。
-
cuDNN SDK（7.6 及更高版本）
-
（可选）TensorRT 6.0，可缩短在某些模型上进行推断的延迟并提高吞吐量。
# 使用下列终端命令，查看相关信息 nvidia-smi
驱动版本不够，就自行进行更新。然后下载CUDA，cuDNN工具包。这里的CUPTI是包含再CUDA中的。不方便下载的，在这里戳我：[email protected]
CUDA安装：（10.1）
直接运行.exe文件，第一个目录为extraction，这个是指文件提取目录，不是安装目录。注意区分！！！
选择自定义高级，接下来的目录为正式的安装目录，记下来。需要配置环境变量！！！！！没有VS的，直接忽略即可。
cuDNN安装：（7.6）
准确的说，是cuDNN解压，下载压缩包文件之后，进行解压，放到你指定的目录下。需要配置环境变量。
上述两项完成之后，进行环境变量的配置！！！将 CUDA、CUPTI 和 cuDNN 安装目录添加到 %PATH% 环境变量中。
例如我的安装路径为：（看自己情况，不要苟同）
CUDA 工具包安装到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1，同时 cuDNN 安装到 C:\tools\cuda，请更新 %PATH% 以匹配路径：
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\libx64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%
操作方法为：找到path环境变量>编辑>新建>然后多次确认。可能会发现，再安装完CUDA之后，上述有些环境变量已经存在path中了，那就不管这些已经存在的，继续把没有出现的添加到环境变量就好了。
使用pip进行安装tensorflow2:
个人是新建了虚拟环境，名为tensorflow(你自己随便取)。过程如下:
# 1.查看当前有那些虚拟环境
conda info --envs
# 2.新建名为tensorflow的虚拟环境
conda create --name tensorflow python=3.7
# 3.激活虚拟环境tensorflow
conda activate tensorflow
激活新建的虚拟环境tensorflow之后，效果如上图：
# 4.再当前的虚拟环境中安装tensorflow，我是用清华源
pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow
这里的some-package是指你要安装的包名，这里我要安装tensorflow。注意，这里是包名，虽然这里我的包名和虚拟环境名字一样，注意区分！！！！
安装完之后，可以查看当前虚拟环境中有哪些包：
# 查看包列表
conda list
可以看到，已经安装好了。
# 5.将虚拟环境tensorflow添加到jupyter notebook 内核中
# 在当前的名为tensorflow虚拟环境中安装好ipykernel
conda install ipykernel
# 6.向jupyter notebook中添加内核，这里的tensorflow为虚拟环境名。
python -m ipykernel install --name tensorflow
# 7.打开jupyter notebook,你会惊奇的发现，这里变了
新建notebook,在new>tensorflow，这样一来，内核就是你新建的tensorflow
# 8.测试tensorflow安装成功与否
import tensorflow as tf
print(tf.test.is_gpu_available())
# 上述结果
WARNING:tensorflow:From <ipython-input-1-46ff889b56b7>:2: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.
True
说明GPU是可用的，这里的警告是说，这个测试命令即将被抛弃，应该使用tf.config.list_physical_devices(‘GPU’)，如下：
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
# 结果为
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
好了，测试通过。再来一个程序跑一下：
# 测试程序
import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
print('GPU', tf.test.is_gpu_available())
a = tf.constant(2.0)
b = tf.constant(4.0)
print(a + b)
# 结果为
GPU True
tf.Tensor(6.0, shape=(), dtype=float32)
好了，安装测试完成，开始使用。