​

记录：在复现论文代码时碰到使用keras环境，于是在自己windows系统的台式机（RTX 3080；CUDA 11.7）上进行了安装，但是发现台式机的显存无法支持程序的运行。于是将一摸一样的环境配置到更大现存的Ubuntu服务器（CUDA 11.7）上，但配置环境出错，一直无法调用GPU。经过一天的摸索，从网上其他博客中找到答案，虽然不懂其中的道理，但先记录下来。

1. 待配置环境的版本

• 
  Python
  
  : 3.8.0
• 
  CUDA
  
  : 11.3.1
• 
  cuDNN
  
  : 8.2.1
• 
  Tensorflow-gpu
  
  : 2.7.0
• 
  Keras
  
  : 2.7.0

2. Windows下使用conda和pip安装Tensorflow-gpu以及Keras

• 首先在Conda下创建虚拟环境且激活：
  
  
conda create -n tf-gpu python=3.8.0



conda activate tf-gpu

• 在命令行中安装cudatoolkit：
  
  
conda install cudatoolkit=11.3.1

• 在命令行中安装cudnn：
  
  
conda install cudnn=8.2.1

• 通过pip命令安装Tensorflow-gpu：
  
  
pip install tensorflow-gpu==2.7.0

• 也可以使用清华源使安装速度提升（注意与上一步目的相同）：
  
  
pip install tensorflow-gpu==2.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --user

  
  
• 检查Tensorflow是否可用：
  
  
• 使用
  
tf.test.is_gpu_available()

  检查Tensorflow中是否可用GPU，出现“True”则可用，出现“Flase”则表示GPU不可用。
• 接着同样使用pip命令安装keras（使用清华源加速）：
  
  
pip install keras==2.7.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --user

  
  

3. Ubuntu下使用conda和pip安装Tensorflow-gpu以及Keras

• 使用
  
nvidia-smi

  查看已有CUDA版本为11.7，待配置的环境版本与Windows配置的版本一致：
  
  
• 安装Tensorflow方法与上述Windows中的方法一致，然而我在Ubuntu中使用
  
tf.test.is_gpu_available()

  检查是否能够使用GPU时出现“Flase”：
  
  
• 检查上面的提示报错信息，有这么一句话值得注意（大意是无法找到动态库
  
  libcudnn.so.8
  
  ）：

Could not load dynamic library 'libcudnn.so.8'; dlerror: libcudnn.so.8: cannot open shared object file: No such file or directory

• 我们通过以下几行代码来解决上述问题：
  
  –
  
locate libcudnn.so.8

  （找到该动态库）
  
  
  
  可以看到上述图片中找到了两个
  
locate libcudnn.so.8

  的路径，由于我安装的cudnn=8.2.1，所以我以第3行找到的路径为接下来所需的动态库
  
locate libcudnn.so.8

  的路径。
  
  –
  
sudo vim /etc/profile

  （打开环境文件）
  
  -在环境文件中插入下述语句（：插入，esc 退出编辑模式，wq 保存环境文件且退出）：
  
  
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/xxx/miniconda3/pkgs/cudnn-8.2.1-cuda11.3_0/lib

  （注意其中
  
/home/xxx/miniconda3/pkgs/cudnn-8.2.1-cuda11.3_0/lib

  为之前代码找到的动态库的路径）
  
  –
  
source /etc/profile

  （更新环境文件）
• 接下来重新激活上述环境且使用
  
tf.test.is_gpu_available()

  检查是否能够使用GPU（此时提示“True”证明GPU可用。若仍然提示“Flase”，可按照上述几行代码，将无法加载的动态库都找到对应的路径且写入环境文件中。我在配置环境中除了libcudnn.so.8还有libcudart.so.11.0，通过上述几行代码成功的解决了无法使用GPU的问题）：
  
  
• 接下来同Windows一样，使用
  
pip install keras==2.7.0

  安装keras，检查后确认成功安装！

上述安装Tensorflow-gpu以及Keras过程中，我参考两个博客，传送：

博客-1

，

博客-2