win10系统在Anaconda下安装Tensorflow2的GPU版本+Tensorflow2.0.0+python3.7+Pycharm（最新，详细，亲测可用） tensorflow

之前有写过一篇Pytorch-GPU安装指南：win10系统在Anaconda下安装Pytorch的GPU版本+cuda10.2+python3.6+Pycharm（最新，详细，亲测可用）
本篇是tensorflow2-gpu版本的安装指南，前面的步骤跟pytorch-gpu安装非常相似，只要镜像设置好了，后面就非常顺利
这里是不需要额外安装cudatoolkit和cudnn的，因为在使用conda安装tensorflow的时候，cuda会自动帮你安装
我的环境是：win10+Anaconda+python3.7+tensorflow2.0.0
第一步照例是查看cuda的版本，高版本的cuda是可以兼容低版本的cuda的，比如我的电脑支持cuda10.2，我就可以安装cuda9/cuda10.0/cuda10.1，但是反过来就一定运行不了！
1 查看CUDA版本首先必须要确定自己电脑支持的CUDA版本
打开NVIDIA控制面板，点击帮助——>系统信息——>组件，查看自己电脑支持的cuda版本
我的是cuda10.2，如下图所示

文章图片

2 新建虚拟环境为了将tensorflow使用的环境与其他环境区分开，需要新建一个tensorflow的虚拟环境
打开anaconda prompt，输入conda create -n tensorflow_gpu
tensorflow_gpu为新建的虚拟环境的名称，可以自定义
如图所示，信息提示如下则安装成功（我这里使用的是pytorch_gpu的截图，tensorflow_gpu也是一样的

文章图片

然后切换到该新建的虚拟环境下，使用命令：conda activate tensorflow_gpu
3 配置清华镜像输入如下命令，这八条命令缺一不可，我家里网差，没有，我前面失败了很多次，就是因为百度上很多配置清华源都只有这前三条，没有后五条，导致后面安装cudatoolkit的时候还是一直卡死，只有这八个命令全部有之后，下载才会顺畅，这一点后面也会说。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/ conda config --set show_channel_urls yes

为了表示强调，我把后面的五个命令分开了，这后面五个命令是一定要有的，切记切记！

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/ conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

4 Tensorflow下载在anaconda prompt中输入如下命令：

conda install tensorflow-gpu==2.0.0

输入命令后回车，出现如下界面，如果下载网址全是清华的（tsinghua.edu.cn）那么恭喜你，后面的下载速度应该就很快了，要是其中某一项，比如cudatoolkit的下载网址是default，那你大概率还是会卡在下载这里，只能去检查你前面清华源配置是不是那八个你都配置好了呢？

win10系统在Anaconda下安装Tensorflow2的GPU版本+Tensorflow2.0.0+python3.7+Pycharm（最新，详细，亲测可用）

文章图片

后面要做的就是等待了
5 检查是否安装成功等待下载完成，输入python进入环境，然后依次输入

import tensorflow as tf print(tf.__version__) A = tf.constant([[1, 2], [3, 4]]) B = tf.constant([[5, 6], [7, 8]]) C = tf.matmul(A, B)print(C)

如果能够最终输出:

tf.Tensor( [[19 22] [43 50]], shape=(2, 2), dtype=int32)

说明 TensorFlow 已安装成功！
其他在使用tensorflow2时，可能会出现各种莫名其妙的报错，这里仅仅列了其中两个，感兴趣的可以看我另一篇文章
tensorflow2踩坑记录
1. module ‘tensorflow’ has no attribute ‘compat’
出现 module ‘tensorflow’ has no attribute ‘compat’ ，查看tensorflow版本
错误原因：tensorflow-gpu版本跟tensorflow-estimator版本不匹配，比如我的tensorflow-gpu版本是2.0.0，但tensorflow-estimator是2.2.0（有可能显示的是2.0.0，但是在程序运行时还是会报错）
在anaconda prompt中输入conda list，查看tensorflow-estimator的版本，我的使用的是tensorflow-gpu是2.0.0，但是tensorflow-estimator是2.2.0的版本，所以会报下面的错误

文章图片

解决方案：
重新安装 tensorflow-estimator，使用 pip 命令，不要使用 conda 命令，如果使用 conda 命令的话所有的 tensorflow 相关的包都会被卸载掉
先删除电脑上已经安装好的tensorflow-estimator版本，输入：

pip uninstall tensorflow-estimator

然后执行：

pip install tensorflow-estimator==2.0.0 pip install tensorflow-gpu=2.0.0

2. tensorflow.python.framework.errors_impl.InternalError: Blas GEMV launch failed: m=2, n=10 [Op:MatMul] name: MatMul/

文章图片

经过查找相关资料和自己试验，发现这可能和GPU的内存分配有关系；因为默认情况下在代码中使用GPU时，有把内存占满的趋势；即使有时候计算的数据量并不足以占用整个GPU。
所以，我们的思路之一就是对GPU的使用模式进行设置，如下面的代码所示，我们将GPU设置为memory_growth模式，它的意思是此时我们需要多少GPU内存就使用多少，不会过多占用。