Win10 RTX2070 super Anaconda安装Tensorflow-GPU

先说环境：

系统：Win10 x64 1903
显卡：RTX2070 super
刚配的一台个人主机，主要拿来学（you）习（xi），自然而然需要配置深度学习环境。首先安装Tensorflow-GPU版本。

过程中遇到的坑：

之前看网上的安装教程，都是安装9.0的CUDA版本，然而我安装完之后，发现GPU根本不工作，并且tensorflow.python.client.device_lib.list_local_devices()不显示我的GPU，一直是以CPU版本在工作。排查了很久，tensorflow装又删了好几遍，最后发现RTX 2070 super似乎不支持CUDA9.0，卸载CUDA之后用conda安装cuda 10.1，成功解决。

结论：

* RTX 2070 SUPER至少安装CUDA 10.1以上，cuDNN与CUDA配套即可

cuda与驱动版本的对应查看CUDA对应的NVIDIA驱动版本对照表
能用conda装的尽量用conda (CUDA和cuDNN也能用conda装，并且是装在虚拟环境内，不影响原来的系统)，简单快捷省事并且基本能保证兼容性
如果你的GPU不起作用，那么多半是你的CUDA或cuDNN与你的硬件、系统、python版本、tensorflow版本不配套

开始安装

1.安装Anaconda

Windows下安装Anaconda较为简单，前往官网下载安装包，双击安装即可。下载网址：https://www.anaconda.com/distribution/
因为Anaconda官方服务器在国外，由于众所周知的原因，下载可能较慢，推荐去清华镜像下载：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
我这里选择的是5.2.0版本的anaconda，自带的python版本是3.6（这个版本不重要，后面我们会建立虚拟环境）。

安装Anaconda

上图是安装过程中需要注意的：

红色箭头所指表示是否将Anaconda加入Path环境变量中，这样可以在命令行中直接使用conda命令（我一般勾选，但据说存在问题，因人而异）。勾选这一项的效果参考这篇文章
蓝色箭头所指表示是否将Anaconda注册为系统默认的Python 3.6，如果你想使用别的python版本作为系统默认，不要勾选。因为我没有安装其它python，所以这里我勾选上

安装完成之后，还需要对Anaconda进行添加国内清华源（因为国外源实在太慢）。参考我的另一篇文章Anaconda切换国内高速源

这里有个概念需要区分，conda、Anaconda、Miniconda是什么：

conda是一种通用包管理系统，旨在构建和管理任何语言和任何类型的软件。举个例子：包管理与pip的使用类似，环境管理则允许用户方便地安装不同版本的python并可以快速切换。
Anaconda则是一个pytho发行版，里面预装好了conda、某个版本的python、众多packages、科学计算工具等等，就是把很多常用的不常用的库都给你装好了。
Miniconda，顾名思义，它只包含最基本的内容——python与conda，以及相关的必须依赖项，对于空间要求严格的用户，Miniconda是一种选择。就只包含最基本的东西，其他的库得自己装。

本节参考阅读：Anaconda介绍、安装及使用教程

2.创建虚拟环境

首先创建一个名为python36tfgpu的虚拟环境，且指定版本为python3.6.5。执行

conda create -n python36tfgpu python=3.6.5

conda会自行解析依赖，判断需要安装哪些包，并提示是否继续

输入y，完成安装。

执行

conda activate python36tfgpu

切换到刚才创建的虚拟环境

接下来一步就是安装tensorlfow了，anaconda中安装tensorflow-gpu版本十分简单，执行：

conda install tensorflow-gpu=1.14.0

等待解析依赖、下载安装即可。包括CUDA、cuDNN，conda都会自动帮我们安装，并且只安装在虚拟环境中，不影响其他的虚拟环境及系统本身。

可以看到，所有tensorflow-gpu需要的包，包括CUDA、cuDNN、tensorflow本身、numpy、scipy等包，conda都帮我们准备好安装了。
输入y确定安装。之后进入python环境，执行以下代码

import os
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())

进行测试。测试结果：

可以看到CPU:0和GPU:0，表明cpu和gpu版的tensorflow都可以运行了。
注：这里可能会有Warning，参考我的另一篇文章解决FutureWarning: Passing (type, 1) or '1type' as a synonym of type is deprecated; in a future ver...

接下来可以执行测试程序测试一下：

# coding=utf8
import tensorflow as tf
import numpy as np

# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300

# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b

# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)

# 初始化变量
init = tf.initialize_all_variables()

# 启动图 (graph)
sess = tf.Session()
sess.run(init)

# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
        print (step, sess.run(W), sess.run(b))

# 得到最佳拟合结果 W: [[0.100  0.200]], b: [0.300]

如果没有问题的话，则表明tensorflow-gpu版安装完成。
总算装完了TOT。