TensorFlow学习笔记[二]——在训练模型时如何指定具体哪一（多）块GPU显卡进行训练任务

### 在 Linux 系统中安装和配置 TensorFlow-GPU #### 虚拟环境准备 为了确保依赖项不会与其他项目冲突，建议先创建一个独立的 Anaconda 或 Conda 虚拟环境。通过以下命令可以完成虚拟环境的建立并激活它： ```bash conda create -n tensorflow_env python=3.8 conda activate tensorflow_env ``` 此操作将创建名为 `tensorflow_env` 的新环境，并将其 Python 版本设置为 3.8[^3]。 #### 安装必要的库 在虚拟环境中，除了 TensorFlow 外还需要一些常用的科学计算库来辅助开发工作流。这些可以通过 pip 工具轻松安装： ```bash pip install numpy==1.19.5 pandas==1.2.4 scikit-learn==0.24.2 ``` 上述命令分别用于安装 NumPy、Pandas 和 Scikit-Learn 库，它们对于数据处理和机器学习模型构建非常重要。 #### 安装 TensorFlow-GPU 有多种方法可以选择安装 TensorFlow-GPU，具体取决于个人偏好以及系统的 CUDA/CuDNN 支持情况。以下是几种常见方式： ##### 使用 Pip 进行安装 如果系统已经正确设置了 NVIDIA 显卡驱动程序及其对应的 CUDA Toolkit 和 CuDNN 库，则可以直接利用 pip 来安装特定版本的 TensorFlow-GPU： ```bash pip install tensorflow-gpu==2.5.0 ``` 或者当遇到网络连接问题时可考虑清华镜像源作为替代方案： ```bash pip install tensorflow-gpu==2.5.0 -i https://pypi.tuna.tsinghua.edu.cn/simple ``` 另外还有一种强制全局权限的方式适用于某些特殊场景下的部署需求： ```bash sudo pip3 install tensorflow-gpu==2.5.0 ``` 以上三种途径均能实现相同目标——即引入支持 GPU 加速功能的 TensorFlow 框架到当前运行环境中。 ##### 利用 Conda 渠道管理器执行安装过程 另一种推荐的方法是从官方认可的安全仓库（如 conda-forge）获取预编译好的二进制文件来进行安装: ```bash conda install tensorflow-gpu==2.6.0 -c conda-forge ``` 值得注意的是,采用这种方法的好处在于它可以自动解决大部分关于兼容性的难题，比如适配合适的 cuda toolkit 及 cuDNN 组件等复杂关系链路[^5]。 #### 验证安装成果 最后一步至关重要，那就是验证整个流程是否顺利完成无误。进入 Python 解析器界面之后输入下面几行测试代码即可判断是否有任何潜在隐患存在： ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) ``` 这段脚本的作用是用来统计实际能够被识别出来的物理级图形处理器数量；理想状态下应该返回大于零的结果表明至少有一张显卡可供调用参与运算活动之中。 ### Docker 方案简介 除此之外，还有基于容器化技术解决方案值得探索一番。例如借助于预先打包完毕的标准映像文件快速启动具备完整功能特性的交互式笔记本服务端实例： ```bash docker pull tensorflow/tensorflow:2.2.0-gpu-jupyter docker run -it --gpus all -p 8888:8888 tensorflow/tensorflow:2.2.0-gpu-jupyter ``` 这样做的优势是可以完全隔离宿主机原有软硬件状态影响因素干扰的同时享受高度一致化的实验平台体验效果[^4]。 ---