话不多说，让我们看看遇到的报错以及解决办法。

在解决问题之前，先确保我们的是否在使用tensorflow-gpu版本，代码如下

import os
from tensorflow.python.client import device_lib
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '99'
if __name__ == '__main__':
    print(device_lib.list_local_devices())

keras cpu gpu对比_python

 如过不是，那么请看您是否遇到下面1中遇到的报错情况（我就遇到了，难受）

1.首先，当然是常见的cuda+cudnn+tensorflow+keras之间的版本对应问题！！！不管遇到什么样的报错，一定要先确定版本对应（前车之鉴）。

cuda与cudnn到如下链接查询:

cuDNN Archive | NVIDIA Developer

其次，cuda和tensorflow到如下链接查询：

Build from source  |  TensorFlow

最后是tensorflow和keras的对应关系：

  如果是tensorflow是1.x版本的：那么请参考这位博主的：tensorflow和keras版本对应关系 - 知乎

  如果是tensorflow是2.x版本的，虽然网上有人说已经可以兼容了，但是我发现不行。我的tensorflow是2.2的，但是如果使用keras2.3.1，会报错！！！后面我使用keras2.4.0就可以了。

各位可以尝试提高keras版本（一点点就行，太高也报错。。。）


Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above.


keras cpu gpu对比_深度学习_02

 最离谱的是，居然说是cudnn的问题！当然遇到这种问题也可能是cpu内存不足也会这样的报错，在终端输入nvidia-smi，看gpu是否被占满了，如果是请参考这位博主的

至于具体的tensorflow2.x和keras对应关系，我在网上未找到具体的表格。各位如果没有遇到如上的报错，可以先跳过。

2.版本问题确认之后，如果还是无法运行，我们可以进行检查问题所在

nvidia-smi
nvcc -V

1.再次确认，这里nvidia-smi的版本一定要>=nvcc- V的！如果你下载了多个cuda版本，请参考以下博主的链接（还有注意看该博客的评论）

2.确认tensorflow-gpu是否启用

python
>>>import tensorflow as tf
>>>tf.__version__
2.2.0
>>>tf.test.is_gpu_available()
True

看是否返回True，如果是False，那么就是这里出现了问题，并且出现了以下报错（类似的）

Could not load dynamic library 'libcudart.so.11.0' ?

很可能就是你的cudnn配置有问题，请查看配置（在终端输入）：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

如果报错或者版本不是你下载的，可以尝试卸载cudnn，重新下载，具体卸载安装请看以下博主的（简单全面）：

如上报错是我遇到的比较棘手的报错了（在我遇到的报错里，其他报错，我在网上都比较好找到解答的。），如果还有什么问题可以在评论区和我讨论呀。

新手上路，如果有写错的地方，还清多多指教。