环境：Ubuntu+TensorFlow

首先是GPU被其他人占用了，怎么也跑不起来最简单的TensorFlow小例子.

所以先学会如何查看显卡使用情况，转去使用其他空闲显卡.

 

Linux查看Nvidia显卡信息及使用情况

nvidia-smi

结合top，查找进程号对应的用户

 

Fan：显示风扇转速，数值在0到100%之间，是计算机的期望转速，如果计算机不是通过风扇冷却或者风扇坏了，显示出来就是N/A； 

Temp：显卡内部的温度，单位是摄氏度；

Perf：表征性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能；

Pwr：能耗表示； 

Bus-Id：涉及GPU总线的相关信息； 

Disp.A：是Display Active的意思，表示GPU的显示是否初始化； 

Memory Usage：显存的使用率； 

Volatile GPU-Util：浮动的GPU利用率；

Compute M：计算模式；

 

周期性的输出显卡的使用情况（10s一次）

watch -n 10 nvidia-smi

 

直接查看哪个用户使用GPU最多  gpustat

pip install git+https://github.com/wookayin/gpustat.git@master --user

gpustat -cu

没有root权限，才加--user，个人觉得超好用！

 

shell分屏，终端复用软件  Tmux

sudo apt-get install tmux

https://www.cnblogs.com/kevingrace/p/6496899.html

 

指定空闲的GPU显卡（例如第2块卡）跑程序

在代码前加上：

import os

os.environ['CUDA_VISIBLE_DEVICES']='2'

 

或者命令行执行程序时：

CUDA_VISIBLE_DEVICES=2 python xxx.py

 

---

 

终于能用GPU了，然后跑了下MNIST with FGSM的例子：mnist_tutorial_tf.py

结果发现 报错了！！

（Loaded runtime CuDNN library: 7.0.4 but source was compiled with: 7.2.1.  CuDNN library major and minor version needs to match or have higher minor version in case of CuDNN 7.0 or later version. If using a binary install, upgrade your CuDNN library.  If building from sources, make sure the library loaded at runtime is compatible with the version specified during compile configuration.）

 

查看cuda版本

cat /usr/local/cuda/version.txt

 

查看cudnn版本

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

如果显示没有该文件或该路径，就到对应文件中去找

 

解决方案

重新安装对应版本的TensorFlow（我安装的TensorFlow1.11.0太高了，cudnn7.04 估计是对应 TensorFlow1.5.0-1.9.0 吧）

pip install --upgrade --force-reinstall tensorflow-gpu==1.9.0 --user

或者安装错误提示中的cudnn对应版本（我没有服务器权限，所以此法较为麻烦）

 

终于能跑了！！

网上几乎也没有关于CleverHans跑实验的文章，痛苦....

 

TensorFlow版本对应图

https://www.tensorflow.org/install/source

 

 

 

如果觉得本文还不错的，能成功解决你问题的朋友，请随手点个赞吧~ 评论也可以。

版权声明：本文为博主自主原创，谢绝转载，请尊重个人成果，非常感谢！

 

 

 

---