最近实验室新到一台工作站，配备了两块rtx2070。但为方便使用其他科研软件，只能使用win10。为学习深度有趣 - 人工智能实战项目合集 ，需安装TensorFlow 1.9.0环境。win10下搭建深度学习环境首推基于Anaconda的办法，网上资料很多，在此不再赘述，仅记录踩到的几个坑如下：
显卡driver、cuda、cudnn是三个不同的东西，对于搭环境来说三个都要装。一般电脑（能打游戏那种）都只装好了显卡driver，也就是会有C:\Program Files\NVIDIA Corporation这个文件夹。cuda、cudnn都要专门去安装，装好后会有C:\Program Files\NVIDIA GPU Computing Toolkit这个文件夹。这三个软件及显卡硬件有严格的搭配关系，需要事先查好要安装的版本，具体可见cuda兼容性表格。笔者的搭配是rtx2070 + 驱动417.35 + cuda 9.0 + cudnn 7.4 + python 3.5 + tensorflow-gpu 1.9.0
如果用conda安装tensorflow-gpu，一般可以自动安装cuda与cudnn依赖到anaconda虚拟环境的文件夹中，不需要Admin权限，非常方便，建议优先尝试这种方式进行安装。创建好环境后，可在python中用如下代码列出可用计算设备：
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
如果看到/gpu:0 之类的字样则安装没有问题。
笔者用conda安装好tensorflow-gpu后，运行以上代码看不到gpu。只好自己去NVIDIA官网下载安装cuda与cudnn，安装需要Admin权限。安装cuda时警告说该版本cuda可能与现有驱动、硬件不搭配，如果事先查表确认过的话不需要理会这一点，点击仍然继续即可。安装好后还需要配置一下环境变量（参考教程）。然后只使用conda创建python环境，再用pip安装tensorflow-gpu即可。
一般来说，TensorFlow默认占用所有卡的所有显存，但在跑官方的cifar10图片分类教程时，指定TF运行在第二块没有带显示器的卡，发现其只能占用6.7GB左右的显存（总显存是8GB）。google后发现这是win10的一个特性（参考链接），显卡默认工作在WDDM（Windows Display Driver Model）模式，GPU 同时扮演计算卡 + 显卡的角色， 默认会保留一部分显存不用于计算任务。
解决方案是将显卡配置为 TCC（Tesla Compute Cluster）模式，该模式下，GPU完全用于计算，牺牲本地显示功能。但很遗憾GeForce系列的显卡一般不支持该模式，只有Tesla和Quadro这种面向服务器的显卡才有这个功能！所以该问题无解，看来跑深度学习最好还是要装linux系统。
觉得有用？> 欢迎关注笔者个人博客查看更多文章。