keras-gpu的安装与配置

gpu擅长处理计算密集型任务，可并行运作。在深度学习的训练过程中，包含了大量重复性的计算，利用 gpu 的特性可显著提高训练的效率。

先升级显卡驱动确保后面不会因为显卡驱动版本低这个问题被卡住。

NVIDIA CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

NVIDIA cuDNN是用于深度神经网络的gpu加速库，可以集成到更高级别的机器学习框架中，如Tensorflow、caffe。

tensorflow-gpu是tensorflow的gpu版本，但是它必须通过 cuda 和 cudnn 来调用电脑的 gpu。

使用以下方法可以一次性安装CUDA、cuDNN、tensorflow-gpu

在gpu可用的情况下默认使用的是gpu，通过为CUDA指定一个不存在的gpu可切换回cpu模式

设置当前使用的GPU设备仅为0号设备 设备名称为'/gpu:0'

设置当前使用的GPU设备为1,0号两个设备，这里的顺序表示优先使用1号设备,然后使用0号设备

tf.ConfigProto一般用在创建session的时候，用来对session进行参数配置，而tf.GPUOptions可以作为设置tf.ConfigProto时的一个参数选项，一般用于限制GPU资源的使用。

1、在cmd命令行直接使用pip install 包名命令安装

示例：

注意：安装成功会显示Successfully installed keras，如果出现黄色字体警告，是由于pip库包不是最新的，但keras库已成功安装，可随后对pip包进行更新，更新命令：python -m pip install --upgrade pip。

2、手动下载第三方库，然后在cmd命令行使用pip install 下载文件名命令安装下载的第三方库（https://www.lfd.uci.edu/~gohlke/pythonlibs/）

更多Python知识请关注Python自学网

检查和安装python库的方法：

1、使用pip list 或者pip freeze命令查看已安装的python库

2、安装python库的方法

pip命令行直接安装

打开cmd命令窗口，通过命令 pip install 包名 进行第三库安装，此方法简单快捷，示例安装keras库。

注意：安装成功会显示Successfully installed keras，如果出现黄色字体警告，是由于pip库包不是最新的，但keras库已成功安装，可随后对pip包进行更新，更新命令：python -m pip install --upgrade pip。

更多Python知识请关注Python视频教程栏目。

---