能否不使用cuDNN运行TensorFlow GPU版本？TensorFlow1.13如何禁用cuDNN卷积？

嘿，我来帮你理清这两个TensorFlow相关的问题：

当然可以！TensorFlow的GPU版本并非必须依赖cuDNN——cuDNN只是NVIDIA提供的加速库，用来优化卷积、池化等常见深度学习操作的性能。如果你不需要这些加速（或者因为某些原因无法使用cuDNN），可以通过两种方式实现：

• 从源码编译TensorFlow时禁用cuDNN：在编译配置阶段，设置--config=no_cudnn参数，同时确保你已经正确配置了CUDA环境（因为TF GPU版还是需要CUDA来支持基础的GPU运算）。编译完成后得到的TensorFlow包就不会依赖cuDNN，会使用TensorFlow自身实现的GPU算子。
• 运行时强制跳过cuDNN（仅部分版本支持）：对于TF 1.x系列（比如你提到的1.13），可以通过环境变量让TensorFlow优先使用非cuDNN的GPU实现，但这种方式可能只对部分算子生效，稳定性不如源码编译的方式。

针对TF 1.13这个特定版本，如果你只是想跳过cuDNN的卷积实现，而不是完全禁用cuDNN，可以试试以下两种方法：

方法1：设置环境变量全局禁用 #

在启动Python脚本或者Jupyter之前，设置以下环境变量：

export TF_USE_CUDNN=0

这个变量会告诉TensorFlow不要使用cuDNN的卷积算子，转而使用TensorFlow自己实现的GPU卷积逻辑。注意这个配置仅在TF 1.x系列中有效，TF 2.x之后已移除该变量。

方法2：代码中精准控制特定卷积 #

如果你只想针对某几个卷积操作禁用cuDNN，可以在调用卷积API时添加use_cudnn_on_gpu=False参数：

# 示例：使用tf.nn.conv2d时禁用cuDNN
output = tf.nn.conv2d(
    input=input_tensor,
    filter=kernel,
    strides=[1, 1, 1, 1],
    padding='SAME',
    use_cudnn_on_gpu=False  # 关键参数
)

# 示例：使用tf.layers.conv2d时禁用cuDNN
output = tf.layers.conv2d(
    inputs=input_tensor,
    filters=32,
    kernel_size=(3, 3),
    use_cudnn_on_gpu=False  # 关键参数
)

这种方式更灵活，能精准控制哪些卷积不使用cuDNN，其他操作依然可以正常享受cuDNN的加速。

需要注意的是，禁用cuDNN后卷积运算的性能会明显下降，所以如果不是有特殊需求，还是建议使用cuDNN。

内容的提问来源于stack exchange，提问作者Frank