Python Tensorflow GPU的使用

所以我尝试在Keras中训练我的第一个图像分类器，它以8000个图像的训练集缓慢运行。在培训期间，我的cpu/gpu的使用率约为40%/3%，我根本不相信tensorflow gpu安装正确，因为我没有得到导入时应该看到的“成功打开的CUDA库”行

我的问题是：

这种尺寸的东西在1080上训练通常需要多长时间，以及

鉴于我已经安装了以下内容，在尝试设置tensorflow gpu时，我可能会遗漏什么

• 全新Windows 10安装
• 最新64位Anaconda
• Visual Studio 2017仅选中“使用C++进行桌面开发”复选框 安装时
• Cuda Toolkit 9.0及其最新补丁
• cuDNN v7.0.5（2017年12月5日），适用于CUDA 9.0
• tensorflow gpu 1.7
• 环境变量截图

检查您的tf是否使用GPU的一种方法（对我来说也是最好的方法）是使用nvidia smi：在这里，您可以看到我的任务的GPU内存使用情况（我有1.6 mil的观测值，有13个变量，需要约11 GB，您的也需要几mb或GB（不知道您的照片看起来如何））因此，如果您的系统在您开始运行您的模型后不显示此信息，那么肯定是在使用CPU（GPU几分钟到几小时，但CPU将花费更长的时间）

注意：我的终端不会输出tensorflow输出内容，这在IDE中存在，如下所示（CUDA没有在线显示，CUDA问题仅在不兼容且无法在tf中启动GPU时出现）：

以下是cudnn正确安装后测试通过的信息：

附言：希望能有帮助。昨天在ubuntu中试用了Tensorflow 1.7版本，但没有按预期工作（GPU没有工作，因此降级为1.6），因此建议您使用1.6：

因为您的设置与官方文档有些不同：

因此，以下是正确的路径：

确保设置了以下值：

Variable Name: CUDA_PATH 
Variable Value: C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

---

您描述的路径不是检查tf gpu使用情况的方法。提供一些代码和输出，以便我们帮助您。您使用什么IDE以及在哪里检查使用情况，是否已检查nvidia-smi.exe并查看是否为您的环境分配了内存。安装后您是否测试过cudnn？