RTX3080无法运行TensorFlow的若干问题

写作初衷，本人学了半年TensorFlow，为此买了一个RTX3080的本本，安装和调试TF花了也将近500多，但是最后还是自己的项目跑不起来。就是安装错了TF版本。

目前已知RTX3080支持的TensorFlow版本有TensorFlow2.0.0的CPU版，和TensorFlow2.5.0的GPU版。

安装教程如下：

安装anaconda较高版本，不然会报如下错误：

WARNING: The conda.compat module is deprecated and will be removed in a future release

安装TensorFlow2.0.0的CPU版本，如果安装GPU版本就会报如下错误：

InternalError: Blas GEMM launch failed : a.shape=(100, 784), b.shape=(784, 10), m=100, n=10...

意思就是无法产生这种矩阵，因为TensorFlow2.0.0的GPU版调不动RTX3080显卡。看不起谁呢！！!

所以：安装TensorFlow2.0.0的CPU版就行了。

步骤如下：

打开cmd（按win+R）:

依次输入：

#创建tensorflow环境（带#句子不用输入）

conda create -n tensorflow tensorflow=2.0.0

#激活tensorflow环境

conda activate tensorflow

#安装Python

pip install ipython

这样几步下来就成功了。

如果不按上面步骤安装，自己下载cuda安装的话就会报如下错误：

tensorflow. python. framework. errors_impl. InternalError: cudaGetDevice) failed. Status: cudaGetErr

或：

failed to run cuBLAS routine cublasSgemm_v2: CUBLAS_STATUS_EXECUTION_FAILED

啊！我到底经历了什么！！！

====================+++=====华丽的分割线+++++==================

如果想用GPU版本的那就得安装TensorFlow2.5.0的GPU版，更高版本的会报如下错误：

ModuleNotFoundError: No module named ‘keras

或：

tensorflow.python.framework.errors_impl.InternalError: Failed to create session.

或：

module 'tf.random has no attribute 'set_seed'

此时也不能自己安装最新Keras，因为安装后会报如下错误：

AlreadyExistsError: Another metric with the same name already exists.

所以安装TensorFlow2.5.0的GPU版的步骤如下：

1.确保先安装好了高版本的Anaconda,然后打开cmd（按win+R）:

2.依次输入：

#创建tf2环境（带#句子不用输入），这是为了创建一个新环境，和前面2.0.0版本的环境名区分。

conda create -n tf2 tensorflow-gpu=2.5.0

#激活tf2环境

conda activate tf2

#安装Python

pip install ipython

这样几步下来就成功了。

PS：安装完了如果你想换numpy它会有很多和当前版本的类库不匹配的提示。所以，根据提示把类库改成相应版本。

方法，卸载numpy,重新安装适应版本的numpy.就会出现提示。

测试：在pycharm中粘贴以下代码：

亲测两个版本的tf都能运行。

运行前，首先要在pycharm中选择anaconda中的编译环境：上面安装时创建的tf2或者tensorflow。可以在创建.py文件时指定，也可以在复制完代码后点pycharm的右下角Python版本：选择AddInterpreter，指定anaconda环境。

注意：本文章只针对RTX3080显卡，其它显卡请自行探索。

import  tensorflow as tf
from    tensorflow.keras import datasets, layers, optimizers, Sequential, metrics


def preprocess(x, y):

    x = tf.cast(x, dtype=tf.float32) / 255.
    y = tf.cast(y, dtype=tf.int32)

    return x,y


batchsz = 128
(x, y), (x_val, y_val) = datasets.mnist.load_data()
print('datasets:', x.shape, y.shape, x.min(), x.max())



db = tf.data.Dataset.from_tensor_slices((x,y))
db = db.map(preprocess).shuffle(60000).batch(batchsz).repeat(10)

ds_val = tf.data.Dataset.from_tensor_slices((x_val, y_val))
ds_val = ds_val.map(preprocess).batch(batchsz) 




network = Sequential([layers.Dense(256, activation='relu'),
                     layers.Dense(128, activation='relu'),
                     layers.Dense(64, activation='relu'),
                     layers.Dense(32, activation='relu'),
                     layers.Dense(10)])
network.build(input_shape=(None, 28*28))
network.summary()

optimizer = optimizers.Adam(learning_rate=0.01)

acc_meter = metrics.Accuracy()
loss_meter = metrics.Mean()


for step, (x,y) in enumerate(db):

    with tf.GradientTape() as tape:
        # [b, 28, 28] => [b, 784]
        x = tf.reshape(x, (-1, 28*28))
        # [b, 784] => [b, 10]
        out = network(x)
        # [b] => [b, 10]
        y_onehot = tf.one_hot(y, depth=10) 
        # [b]
        loss = tf.reduce_mean(tf.losses.categorical_crossentropy(y_onehot, out, from_logits=True))

        loss_meter.update_state(loss)

 

    grads = tape.gradient(loss, network.trainable_variables)
    optimizer.apply_gradients(zip(grads, network.trainable_variables))


    if step % 100 == 0:

        print(step, 'loss:', loss_meter.result().numpy()) 
        loss_meter.reset_states()


    # evaluate
    if step % 500 == 0:
        total, total_correct = 0., 0
        acc_meter.reset_states()

        for step, (x, y) in enumerate(ds_val): 
            # [b, 28, 28] => [b, 784]
            x = tf.reshape(x, (-1, 28*28))
            # [b, 784] => [b, 10]
            out = network(x) 


            # [b, 10] => [b] 
            pred = tf.argmax(out, axis=1) 
            pred = tf.cast(pred, dtype=tf.int32)
            # bool type 
            correct = tf.equal(pred, y)
            # bool tensor => int tensor => numpy
            total_correct += tf.reduce_sum(tf.cast(correct, dtype=tf.int32)).numpy()
            total += x.shape[0]

            acc_meter.update_state(y, pred)


        print(step, 'Evaluate Acc:', total_correct/total, acc_meter.result().numpy())