1 .安装和配置GPU环境
1.1 .安装GPU版的TF
以前安装了CPU版的TensorFlow，但为了使用GPU加速计算，需要安装GPU版的TensorFlow。 在这里，可以直接使用pip命令进行安装。
apipinstalltensorflow-GPU==2.0.0-阿尔法0
安装完成后，确认当前可用的GPU。
fromtensorflow.python.clientimportdevice _ lib
def get _可用_ GPUs () :
local _ device _ protos=设备_ lib.list _ local _ devices (
返回[ x .名称语言设备_协议ifx .设备类型==' GPU '
打印(获取可用的打印) )
因为本人的机器有两个GPU，所以输出两个GPU的号码。 “((/设备： GPU :0 )、) /设备3360 GPU :1”。
1.2 .安装显卡驱动程序
根据您的显卡型号不同，请访问官方网站(https://www.NVIDIA.cn/download/index.aspx )？ lang=cn )下载对应的驱动程序。 我的服务器上有两张Tesla P100的显卡。 如图所示，选择对应的驱动程序。 在这里，请注意选择合适的版本。 必须与显卡的版本、操作系统的版本以及要安装的CUDA的版本一一对应。
NVIDA驱动程序下载列表
只需单击“搜索”，然后单击“下载”。
下载NVIDA驱动程序提示
安装完成后，可以使用“nvidia-smi”命令显示显卡。
显卡信息
1.3.cuda的安装
在安装CUDA之前，必须弄清楚TensorFlow的各个版本和CUDA版本的对应关系。 TensorFlow官网上有类似的说明(https://tensor flow.Google.cn/install/source )，这里是Linux系统环境下的TensorFlow GPU版本和CUDA版本
TensorFlow和CUDA的版本对应关系
tensor flow 2.0 GPU版所依赖的NVIDA软件包
TensorFlow-GPU版本2.0.0-适用于alpha的NVIDA驱动程序版本、CUDA版本和cuDNN版本号。
1.3.1下载cuda
首先，从NVIDIA主页(https://开发者. NVIDIA.com/cuda -工具包)下载cuda。
align-center">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-repo-ubuntu1604-10-0-local-10.0.130-410.48_1.0-1_amd64.deb第二步：添加kay
sudo apt-key add /var/cuda-repo-10-0-local-10.0.130-410.48/7fa2af80.pubupdate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/version.txt”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/cuda-10.0/zxdyd${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/local/cuda-10.0/lib64${LD_LIBRARY_PATH:+:${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/cuda-10.0/samples/1_Utilities/deviceQuery”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
（https://developer.nvidia.com/rdp/cudnn-download）
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/cudnn.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn*到这里TensorFlow2.0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 = tf.keras.Sequential() model.add(layers.Dense(16, activation='relu', input_shape=(10,))) model.add(layers.Dense(1, activation='sigmoid')) # 设置目标函数和学习率 optimizer = tf.keras.optimizers.SGD(0.2) # 编译模型 model.compile(loss='zxdydary_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“tf.keras”提供的分布式训练策略“tf.distribute.MirroredStrategy”来实现单机环境下的多GPU训练：
import tensorflow as tf from tensorflow.keras import layers strategy = tf.distribute.MirroredStrategy() # 优化器以及模型的构建和编译必须嵌套在“scope()”中 with strategy.scope(): model = tf.keras.Sequential() model.add(layers.Dense(16, activation='relu', input_shape=(10,))) model.add(layers.Dense(1, activation='sigmoid')) optimizer = tf.keras.optimizers.SGD(0.2) model.compile(loss='zxdydary_crossentropy', optimizer=optimizer) model.summary()