Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）

Tensorflow-gpu 保姆级安装教程（Win11, Anaconda3，Python3.9）

前言

CPU

版本和

GPU

版本的区别主要在于运行速度，

GPU

版本运行速度更快，所以如果电脑显卡支持

cuda

，推荐安装

gpu

版本的。

CPU版本，无需额外准备，CPU版本一般电脑都可以安装，无需额外准备显卡的内容，（如果安装CPU版本请参考网上其他教程！）
GPU版本，需要提前下载 cuda 和 cuDNN。（本文为GPU版本安装教程。）

Tensorflow-gpu版本安装的准备工作

重要的事说三遍：

安装前****一定 要查看自己电脑的环境配置，然后查询

Tensorflow-gpu

、

Python

、

cuda

、

cuDNN

版本关系，要一一对应！

安装前****一定 要查看自己电脑的环境配置，然后查询

Tensorflow-gpu

、

Python

、

cuda

、

cuDNN

版本关系，要一一对应！

安装前****一定 要查看自己电脑的环境配置，然后查询

Tensorflow-gpu

、

Python

、

cuda

、

cuDNN

版本关系，要一一对应！

Tensorflow-gpu 与 Python、 cuda、cuDNN 版本关系查询

在这里插入图片描述

我的安装环境为：
操作系统显卡Pythonwin11NVIDIA GeForce RTX20503.9.13
我的

tensorflow-gpu

安装版本为：
tensorflow-gpucudacuDNNtensorflow-gpu 2.7.0cuda 11.5.2cuDNN 8.3.2

注：我这个对应关系是在网上查询别人安装成功的案例，不要自己随意组合，不然很容易安装失败，或者就按官网查询的组合安装，安装过程是一样的！

(一)、查看电脑的显卡：

1）、右键

此电脑

→右键选

管理

→

设备管理器

→

显示适配器

主要看独显：

GeForce RTX 2050

在这里插入图片描述

可以看到点击出现了

NVIDIA GeForce ...

，即你的电脑显卡型号。

如果有出现，那就表示可以使用Tensorflow-gpu版本，如果没有的就只能老老实实安装CPU版咯。
然后可以去NIVIDIA官网查询一下自己电脑显卡的算力：https://developer.nvidia.com/cuda-gpus，建议**算力>=3.5**安装。

在这里插入图片描述

我的型号没有查到，NVIDIA近几年显卡的算力一般是够的。

2）、右键

显卡

→

属性

→

驱动程序

，可以查看显卡的驱动程序：

在这里插入图片描述

3）、查看GPU驱动版本，也就是我们“CUDA Version”，Windows 11 版本中一般是12.0版本，键盘上同时按

win

```
r
```
，输入
```
cmd
```
，打开命令窗口，在命令窗口输入：

nvidia-smi

在这里插入图片描述

(二) 、Anaconda的安装

安装

tensorflow

提前安装好

Anaconda

。这里我也不重点介绍了，我之前也重点详细地写过相关文章:
Anaconda安装-超详细版(2023)

Anaconda

安装成功后，进入下面

tensorflow

的安装！

后面

tensorflow

的安装可成三步：

cuda的安装
cuDNN的神经网络加速库安装
配置环境变量

(三)、cuda下载和安装

下载

cuda

和

cuDNN

。在官网上下载对应的

cuda

和

cuDNN

，版本可以低于上面查到的

CUDA

版本但不能高于电脑支持的版本。

cuda下载地址：CUDA Toolkit Archive | NVIDIA Developer；
cudnn下载地址：cuDNN Archive | NVIDIA Developer。

1)、下载：

我下载的是

CUDA Toolkit 11.5.2

, 点击前面的

CUDA Toolkit 11.5.2

在这里插入图片描述

选择相应的系统、版本等选项，点击Download下载：
在这里插入图片描述
2）、安装

a、双击安装包，此时会出现一个提示框，让你选择临时解压位置（该位置的内容在你安装完cuda之后会自动删除），这里默认即可，点击ok。

在这里插入图片描述

b、点击同意并继续：

在这里插入图片描述

c、完成上一步后，选择自定义，然后点下一步：

在这里插入图片描述

d、完成上一步，这里CUDA一定要勾选上，下面的可选可不选，对后续没有影响。

在组件CUDA一栏中，取消勾选Visual Studio Integration（因为我们并没有使用Visual Stduio环境，即使勾选上了也会安装失败）

在这里插入图片描述

在Driver components一栏比较Display Driver的新版本和当前版本的信息。 - 若当前版本高于新版本，则取消勾选Display Driver；- 若当前版本低于新版本，则保留默认安装信息即可，否则电脑会死机或者卡顿，甚至可能蓝屏。！！！

在这里插入图片描述

e、这个安装位置可以自己改。要截图记录一下你装到哪里了，后面要用到！我选择了默认安装位置。

在这里插入图片描述

f、正在安装

在这里插入图片描述

g、安装成功！

在这里插入图片描述

点击关闭即可！

在这里插入图片描述

检查环境变量：

完成安装后，检查一下环境变量是否存在，一般安装完成会自动配置好环境变量，若是没有，则需手动配置，具体过程如下。

打开 电脑属性，找到 高级系统设置，选择 环境变量 打开。
查看是否有以下系统变量，没有则需要自行添加，对应图片上的名称和值，配置你电脑CUDA安装所在的位置。

在这里插入图片描述

打开系统变量的Path，查看是否有一下两条内容，若没有则需自行添加，一定要配置对安装的位置。

在这里插入图片描述

配置好环境变量后，我们检查下CUDA是否安装成功。

打开cmd，输入以下命令查看CUDA是否安装成功（二选一）如果不能显示以下信息，则说明安装失败。

nvcc -V
nvcc --version

在这里插入图片描述

还可以查看CUDA 设置的环境变量。

set cuda

在这里插入图片描述

我们还可以搜索CUDA 的安装目录，找到“nvcc.exe”文件。

在这里插入图片描述

CUDA的安装就结束了，接下来下载解压cuDNN文件。

(四)、cudnn下载安装

CUDA

并不是实现

GPU

的神经网络加速库，如果希望针对的是神经网络进行加速，我们还需要安装

cuDNN

神经网络加速库。

cuDNN并非是应用程序，而是几个文件包，下载后把它复制到CUDA 的目录下即可。下载地址：cuDNN Archive | NVIDIA Developer。
第一次单击下载时，会让你先注册登录，然后再进行下载，注册过程认真填写内容就没问题，此处略过，接下来进入下载环节。

1)、下载：

下载对应版本的

cuDNN

。这里选择的是

cuDNN v8.3.2 for CUDA 11.5

。

在这里插入图片描述

、下载解压好安装包后，我们解压可以看到有四个文件：

3）、教程的这一步要格外注意！

要将cudnn文件中的对应文件夹下的所有文件复制 到对应的安装目录中，
而不是把cudnn文件中的文件夹复制过去。eg：复制的不是cudnn中的bin文件夹，而是bin文件夹下的所有文件。（有重复的文件是正常的，覆盖掉就好！）

在这里插入图片描述

打开cudnn文件中的bin文件夹，将该文件夹中所有的文件复制粘贴 到CUDA\v11.5\bin文件夹中：

在这里插入图片描述

打开cudnn文件中的include文件夹，将该文件夹中所有的文件复制粘贴 到CUDA\v11.5\include文件夹中：

在这里插入图片描述

打开cudnn文件中的lib文件夹，将该文件夹中所有的文件复制粘贴 到CUDA\v11.5\lib\x64文件夹中：

在这里插入图片描述

打开cudnn文件中的剩下的文件， 复制粘贴 到CUDA\v11.5文件夹中：

在这里插入图片描述

cuDNN

其实就是

CUDA

的一个补丁而已，专为深度学习运算进行优化的，然后我们再添加环境变量！继续往下走。

(五)、配置环境变量

、打开系统变量的Path，在系统变量的path路径下添加以下路径：（具体要根据自己的安装路径下做调整）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\lib\x64

添加好后是这样的：

在这里插入图片描述

2)、配置好环境后，我们需要验证环境变量是否配置成功：

打开

cmd

，进入自己CUDA的安装下路径

...\CUDA\v11.5\extras\demo_suite

：,我是默认路径，所以我的是：

cd \Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\extras\demo_suite

然后分别执行以下两个命令：

.\bandwidthTest.exe
.\deviceQuery.exe

在这里插入图片描述

如果

Result

都为

PASS

的话则配置成功！

3）、都安装好之后，我们可以继续输入

nvidia-smi

查看

CUDA

的信息，然后根据安装版本的信息再去实现其他的库（环境）安装和使用！

nvidia-smi

在这里插入图片描述

如图所示，可以看到驱动的版本是

527.41

；最高支持的

CUDA

版本是

12.0

版本。

(六)、创建 tensorflow 环境

我这里是使用

Anaconda

（如果选择这一步，就不需要额外下载

python

，以及各种常用工具包，它会打包下载好）

1）、打开

anaconda prompt

在这里插入图片描述

2）、创建

tensorflow

环境，输入命令：

conda create -n tensorflow python=3.9

，表示创建一个名字为

tensorflow

的环境，这个环境用的

python

版本是

3.9

版本的，如果默认创建，会在

C盘

！

w11下载anaconda在d盘，新建的虚拟环境总是在c盘怎么解决

conda create -n tensorflow python=3.9

在这里插入图片描述

3）、创建成功后，输入命令：

conda env list

，可以看到

tensorflow

环境已经创建，星号为当前所在环境（基础环境

base

）。

conda env list

在这里插入图片描述

4）、进入环境，输入命令：

activate tensorflow

，就可以进入

tensorflow

环境中

conda activate tensorflow

在这里插入图片描述

如果要退出环境，输入:

conda deactivate

5）、因为我的

conda

环境在D盘中，所以将路径改了以下。如果

anaconda

安装的时候是默认路径，这一步不需要。

d:
cd \WorkSoftware\Install\Anaconda3\envs\tensorflow\

在这里插入图片描述

6）、安装指定版本的

tensorflow-gpu

，，我安装的是

2.7.0

，根据你自己的配套版本安装，输入命令：

pip install tensorflow-gpu==2.7.0 -i  https://pypi.mirrors.ustc.edu.cn/simple

在这里插入图片描述
无报错结束应该是装好了。

7）、打开

python

环境，导入

tensorflow

包进行测试，查看

tensorflow

的版本信息, 输入命令：

import tensorflow as tf

如果导入包有以下报错（没有报错请忽略！）：

(tensorflow) C:\Users\Rmzh>python
Python 3.9.16| packaged by conda-forge |(main, Feb  12023,21:28:38)[MSC v.192964 bit (AMD64)] on win32
Type "help","copyright","credits"or"license"for more information.>>>import tensorflow as tf
Traceback (most recent call last):
  File "<stdin>", line 1,in<module>
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\__init__.py", line 41,in<module>from tensorflow.python.tools import module_util as _module_util
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\__init__.py", line 41,in<module>from tensorflow.python.eager import context
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\eager\context.py", line 33,in<module>from tensorflow.core.framework import function_pb2
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\function_pb2.py", line 16,in<module>from tensorflow.core.framework import attr_value_pb2 as tensorflow_dot_core_dot_framework_dot_attr__value__pb2
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\attr_value_pb2.py", line 16,in<module>from tensorflow.core.framework import tensor_pb2 as tensorflow_dot_core_dot_framework_dot_tensor__pb2
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\tensor_pb2.py", line 16,in<module>from tensorflow.core.framework import resource_handle_pb2 as tensorflow_dot_core_dot_framework_dot_resource__handle__pb2
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\resource_handle_pb2.py", line 16,in<module>from tensorflow.core.framework import tensor_shape_pb2 as tensorflow_dot_core_dot_framework_dot_tensor__shape__pb2
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\tensor_shape_pb2.py", line 36,in<module>
    _descriptor.FieldDescriptor(
  File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\google\protobuf\descriptor.py", line 561,in __new__
    _message.Message._CheckCalledFromGeneratedFile()
TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >=3.19.0.If you cannot immediately regenerate your protos, some other possible workarounds are:1. Downgrade the protobuf package to 3.20.x or lower.2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

More information: https://developers.google.com/protocol-buffers/docs/news/2022-05-06#python-updates

解决上述报错，输入exit()退出python环境导入以下包：

pip install protobuf==3.19.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn

然后重新进入

python

环境，查看

tensorflow

的版本信息, 输入命令：

import tensorflow as tf
tf.__version__

在这里插入图片描述

退出

tensorflow

环境：

conda deactivate

在这里插入图片描述
同时，

conda

控制台是默认打开

base

环境的，如果想管理这一设置

conda config --set auto_activate_base false / true

(七)、测试 Tensorflow-gpu 是否安装成功

打开Anaconda，选择tensorflow环境，打开spyder，第一次打开需要安装Spyder，直接点下方的install即可。

在这里插入图片描述

输入以下测试代码：

import tensorflow as tf

print(tf.__version__)print(tf.test.gpu_device_name())print(tf.config.experimental.set_visible_devices)print('GPU:', tf.config.list_physical_devices('GPU'))print('CPU:', tf.config.list_physical_devices(device_type='CPU'))print(tf.config.list_physical_devices('GPU'))print(tf.test.is_gpu_available())# 输出可用的GPU数量print("Num GPUs Available: ",len(tf.config.experimental.list_physical_devices('GPU')))# 查询GPU设备

在这里插入图片描述

出现了当前环境tensorflow的版本以及一些其他信息，我的版本是2.7.0，
如果下面出现了True，那就表明我们的tensorflow-gpu 已经成功的安装好并且能够正常使用了！

下面来测试一下GPU的运算速度吧！

import tensorflow as tf
import timeit
 
#指定在cpu上运行defcpu_run():with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000,1000])
        cpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(cpu_a, cpu_b)return c
 
#指定在gpu上运行 defgpu_run():with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000,1000])
        gpu_b = tf.random.normal([1000,2000])
        c = tf.matmul(gpu_a, gpu_b)return c

cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)print("cpu:", cpu_time,"  gpu:", gpu_time)

在这里插入图片描述

可以看到gpu的速度比cpu还是要快上不少的!
对于机器学习中神经网络模型的训练来说，可以大幅度加快我们的训练进程帮我们节约许多时间，还是十分不错的！

卸载重装

如果安装出错可以卸载重装：
tensorflow-gpu卸载

注：个人安装过程，仅供学习参考，如有不足，欢迎指正！

标签： tensorflow python 深度学习

本文转载自: https://blog.csdn.net/weixin_43412762/article/details/129824339
版权归原作者 酷酷的懒虫 所有，如有侵权，请联系我们删除。

Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）