在伺服器上搭建tensorflow-gpu，使用"nvcc -V“命令看了一眼CUDA版本，發現是9.1。因為學長用的是pytorch，而官方版本至1.7為止還沒有支援CUDA9.1的。實在不想用docker，查了一下發現了windows下用tensorflow+CUDA9.1，沒有linux的。好在順著這條線索，在github上查到了相關的東西，分享一下。

原文連結：

根據裡面的連結，我們發現非官方的安裝包，大概包含tensorflow和wheel兩個關鍵詞，所以在github上搜索一下：

mind/wheels是tiny mind開發的為Linux準備的特殊版本的tensorflow，包含支援CUDA9.1的tensorflow。

fo40225/tensorflow-windows-wheel是為了windows準備的。

另外：whl檔案的安裝自行搜尋，需要在whl所在路徑下使用pip install xxx.whl

這個裝完以後在pip list裡面顯示的是tensorflow 1.6.0，但它實際上是gpu版的。

你可以使用這裡的程式碼測試一下，程式碼明確要求使用GPU裝置，為了方便搬運了一下：

import tensorflow as tf

with tf.device('/cpu:0'):
    a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
    b = tf.constant([1.0
 
, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
    c = a + b

# 注意：allow_soft_placement=True表明：計算裝置可自行選擇，如果沒有這個引數，會報錯。
# 因為不是所有的操作都可以被放在GPU上，如果強行將無法放在GPU上的操作指定到GPU上，將會報錯。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
# sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
 
sess.run(tf.global_variables_initializer())
print(sess.run(c))

另外，mind/wheels裡面還有支援AVX指令集的版本，未使用AVX指令集的版本會給出警告：

Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2

這個警告並沒有太大影響，只是告訴你，選擇支援AVX的版本可以更好的利用您的CPU資源，然而網上多數的解決方法是遮蔽二級警告，使用純CPU版本的開發者可以考慮一下mind/wheels裡的CPU版本。