Windows 环境 Tensorflow2.3.0 入坑指南（关于配置CUDA和CUDNN）
我是使用的Pycharm进行Tensorflow学习的，特别在此记录一下环境配置的过程。（最开始我只在Pycharm上安装了Tensorflow 2.3.0的包，就开始跑程序了）结果报了一堆很神奇的东西，但是还是出现了最后正确的结果：
本章样本
首先这是我跑的代码（非常简单，入门过程而已）：
# Author:JinyuZ1996
# Creation date:2020/8/15 11:39
import tensorflow as tf
a = tf.constant([1.0, 2.0], name='a') #构建一个二维数组常量
b = tf.constant([2.0, 3.0], name='b')
print(a)问题重现
Runtime console当中打印出了如下的东西（很多红色的进度信息，这是Tensorflow的日志模式）：
他其中有一类日志是 W 开头的，比如 W tensorflow/stream_executor/platform/default/dso_loader.cc:59] Could not load dynamic library 'cublas64_10.dll';........
这是在提示我们目前没能找到足够的dll运行库来进行训练，其实就是还没有去配置CUDA导致的。（日志的中部会有如下提示）：
W tensorflow/core/common_runtime/gpu/gpu_device.cc:1753] Cannot dlopen some GPU libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use GPU. Follow the guide at https://www.tensorflow.org/install/gpu for how to download and setup the required libraries for your platform.
Skipping registering GPU devices...（跳过了使用GPU）
然后我就看到它跳过了使用GPU，而转用CPU来进行训练。这可不大行……虽然照样能得到结果，因为现在比较简单嘛，可是未来我们要训练比较复杂的模型的时候，CPU比GPU的效率可就差远了，所以有必要花时间探索一下如何安装和使用CUDA来启动我们的GPU用于训练。
而使用CUDA就需要我们去针对自己的显卡来进行一番探索了，接下来开始以步骤进行讲解：
第一步：去查看自己的NVIDIA控制面板
打开自己的NVIDIA控制面板，去查看一下系统信息，目的是找到我们目前安装的驱动程序的CUDA版本：
然后在系统信息中查看一下，自己的CUDA版本（如图）：
我的显卡是GTX 1050Ti，截至我写这篇文章的时候我的显卡驱动程序版本是451.82,从这里看到他自带的CUDA对应版本是V11.0，那么好的我们就去下载一个完整版的CUDA v11.0来配置我们的GPU训练。
第二步：下载对应CUDA版本
百度搜索CUDA 11.0，通常第一个搜索结果就是的，或者直接https://developer.nvidia.com/cuda-downloads下载也可以，这个地方我要给大家补充一下，CUDA包含两种版本，一种是network版大概五六十M（其实就是个下载器，还需要在下载3个G左右的资源才能开始安装），另外一种是Local版本也就是离线安装版（接近3个G，下载下来就能全面安装，我是用的这个版本）下载页面如下图：
这里补充一点，有的时候这个下载页面会打不开，我也不知道是什么原因，可能是我的win10版本问题或者是我的移动宽带的问题，登陆很访问英伟达的网站时总会很卡。我去找了一种相对可靠的解决方案来：
你可以这样做（按照我的步骤来）：首先，右键开始菜单搜索cmd，用管理员权限打开cmd，输入下面的代码：
netsh winsock reset然后你会看到如下界面：（它提示我们再重启一下就可以了）
然后，我个人经过上面的操作后就可以流畅访问了，下载速度也能达到满资源的状态（我下的是local版2.88G，大概29M/s的下载速度吧）总之就可以了，下载下来之后就可以开始安装了。当然为了防止部分同学就是登不上，我在这里贴上network版CUDA v11.0的下载链接（免费资源就是给大家跑个腿）：https://download.csdn.net/download/qq_39381654/12720656
至于CUDA的安装过程，大家可以参考这位博主的文章https://blog.csdn.net/a583621671/article/details/87272803，讲的也比较详细（其实是主要我在安装过程中忘记了截图，这里不好再补充所以偷懒让大家看看这位博主安装9.0版本的过程来参考吧）即便我们安装的是v11.0，也尽量不要勾选安装Visio Studio Integration 11.0，太慢！而且可能会因为网络问题而导致整个安装过程失败。
不过呢，大家可以发现，我这篇文章指导大家安装的v11.0不需要安装升级包，它只有一个Base Installer。所以不用像，刚才那篇博主一样安装很多补丁包还是很走运的。
验证安装
安装完毕之后，安装程序会主动的给分配两个环境变量，大家应该可以通过cmd来验证安装的成功与否，比如我们在命令行里输入代码：nvcc -V 能够看到安装的CUDA v11.0就说明安装好了:。
CUDNN部分的配置
配置完CUDA就该去配置CUDNN了，CUDNN的版本是对应着CUDA来说的，如果你跟笔者一样是按照刚才的过程一路走来的，那么你应该也需要我的这个版本的CUDNN（cudnn-11.0-windows-x64-v8.0.1.13）可以看到我下载的这个v8.0.1.13是对应着CUDA v11.0的。你会发现它下载下来之后是一个lib,其实就是CUDA的补充，大家只需要把下载下来的CUDNN文件夹里的CUDA子文件夹对应的东西复制替换到刚才安装的CUDA文件夹里的相同位置就可以，官网的下载地址为：https://developer.nvidia.com/cudnn 不过呢，这次下载就要求必须登录到NVIDIA账户才能下载了，我是当场注册了一个NVIDIA开发者账户，绑定了我以前的邮箱才让我下一步下载的（他有的时候还会先调查你下载CUDNN是为了干嘛，填写完问卷自动到达下载页面）：
下载下来之后解压应该能看到这样的目录结构：
下一步就是把，这个目录里所有的成分拷到刚才安装的CUDA子目录下（例如我按默认路径安装的CUDA11，我就应该找到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0）如下图：
将刚才所有的子目录都复制过来（应该不会有替换，只是添加到对应子文件夹一些东西），就完成了。
当然还是有可能有同学下载不下来，所以我再放一个连接（依然免费提供cudnn-11.0-windows-x64-v8.0.1.13）：https://download.csdn.net/download/qq_39381654/12721693
补充配置环境变量步骤
一般的教程到此结束，但是你会发现Pycharm的报错依然还在，而且还是解决不了几个库缺失的问题，这是因为我们的Pycharm现在还找不到我们的CUDA库lib，需要我们对Pycharm和环境变量都做配置才能解决一部分，如果仍然解决不了还可以手动打上缺失的几个库，我也会分享在这篇文章里面。
先给出我集合的其他博主提到的环境变量修改方法，首先是当我们安装完CUDA后应该默认给我们配好的两个环境变量：（要是你没有的话请自己加上这两个）
然后根据我的整理，我们还需要在环境变量Path里把这几个都添加好：
额外情况（如果还是不行*）
大部分同学走到刚才这一步，再去运行Tensorflow 2.3.0应该就能启动GPU了，但是我再给出更夸张的情况下的解决方案，那就是还是不行的时候的解决方案：多个原因（首先可能是你的Pycharm安装过程中有问题，不自动绑定本机环境，那么这是第一种情况，其次，第二种情况就是真的还缺.dll没打上，我直接给在文末，自己打上就行了）
再去多配置一步Pycharm IDE的环境变量：LD_LIBARARY_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\lib\x64（把这行代码粘到我如图所示的位置）：
如果IDE是英文版应该File->Setting->搜索 Python Console 在Enviroment框下输入我刚才给你的代码（如果你的CUDA按到了其他位置别生搬硬套，此处应填写你的CUDA目录相应位置）。
如果是第二种情况，或者说，你按照我刚才这给出的第一种解决方案还是没能解决，那么没关系，我们自己去补上缺失的dll不就行了吗，这时候，大部分的动态链接库CUDA应该都带过来了，你只需要在W 开头的Tensorflow警告里找到could not found 的那些.dll库就可以了。（我在文末会给出通常会缺失的几个库，其实还是希望大家自己找吧，这个应该不难找的）一般会缺失的几个我列在这里：
你会发现我拿方框圈起来两组，为什么呢，因为这两组缺失的都是64_10，而我所做的就是把64_11复制了一个副本改了个名字，就行了（特别神奇，推测应该是v11.0把需要的东西封装到了64_11而Tensorflow2.3.0不知道，所以找不到，给他改个低版本的名字就行了……）。但如果还有其他的缺失的话，就请自行去网上百度补充吧，通常如果正确安装了CUDA并且环境变量配置无误的话应该只缺寥寥几个。缺的很多的话应该是CUDA没配置好或者环境变量垮了。没关系，我在这里给出几个我当时缺失的动态链接库，大家可以看看能不能满足你的需求：