TensorFlow 是一个端到端开源机器学习平台。它拥有一个全面而灵活的生态系统，其中包含各种工具、库和社区资源，可助力研究人员推动先进机器学习技术的发展，并使开发者能够轻松地构建和部署由机器学习提供支持的应用。

https://tensorflow.google.cn/

起初，我尝试在Winddows通过wsl2的Docker使用Debian原始的安装jupyter notebook，并且直接使用pip安装TensorFlow，然而，随着进一步的使用，我发现了一个TensorFlow找不到GPU的警告，我们都知道，只使用CPU进行训练效率非常低下，于是我尝试在Docker上配置GPU支持，但这行不通，除GPU驱动程序之外还需要cuda工具包和cuDNN SDK。我尝试安装这些缺少的软件，但各种尝试总是以失败告终，我可能对Linux调用GPU的知识了解还不够，正如想要实现Windows PE系统的GPU支持，也是一个难题。

我查阅了很多关于”TensorFlow使用GPU”的文章，有较多文章还是使用TensorFlow 1.15及更早版本，这导致了教程的时效性难以保证。

于是我尝试直接在Windows安装jupyter notebook，并且已安装了NVIDIA（我的笔记本电脑使用的是NVIDIA）的显卡驱动程序，我的GPU型号是NVIDIA GeForce MX110。

NVIDIA GeForce MX110

驱动程序版本: 31.0.15.1694
驱动程序日期: 2022/7/21
DirectX 版本: 12 (FL 11.0)
物理位置：   PCI 总线 1、设备 0、功能 0

利用率 0%
专用 GPU 内存   0.0/2.0 GB
共享 GPU 内存   0.0/9.9 GB
GPU 内存  0.0/11.9 GB

如您所见，这是一个低端的显卡，它似乎不支持cuda（支持列表可以在支持 CUDA® 的 GPU 卡找到），但是我在NVIDIA的控制面板里面又看到了cuda的设置，于是我决定赌一把。

先安装cuda，然后再安装cuDNN，需要适合您的电脑的版本，安装细节可以在显卡支持 TensorFlow找到。

安装完后增加这两者的环境变量，需要根据安装的位置、版本等实际情况增加系统Path环境变量。（我的是增加了图中的前5个）我偷懒选择cuda安装到了系统盘（懒到不想选择目录），推荐的做法是安装到系统盘之外以节省系统盘的空间。

最后，重启Windows，并使用TensorFlow测试一下GPU。

from tensorflow.python.client import device_lib
 
# 列出所有的本地机器设备
local_device_protos = device_lib.list_local_devices()
# 打印
#     print(local_device_protos)
 
# 只打印GPU设备
[print(x) for x in local_device_protos if x.device_type == 'GPU']
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))

OK，大功告成！现在TensorFlow可以使用GPU进行训练了。

赏