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

酷酷的懒虫 2024-07-16 14:05:03 阅读 59

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

前言Tensorflow-gpu版本安装的准备工作(一)、查看电脑的显卡：(二) 、Anaconda的安装(三)、cuda下载和安装(四)、cudnn下载安装(五)、配置环境变量(六)、创建 tensorflow 环境(七)、测试 Tensorflow-gpu 是否安装成功卸载重装

前言

<code>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！

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	Python
win11	NVIDIA GeForce RTX2050	3.9.13

我的<code>tensorflow-gpu 安装版本为：

tensorflow-gpu	cuda	cuDNN
tensorflow-gpu 2.7.0	cuda 11.5.2	cuDNN 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<code>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<code>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<code>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<code>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<code>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。

<code>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。

<code>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

<code>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：

在这里插入图片描述

3）、教程的这一步要格外注意！

要将<code>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<code>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<code>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<code>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<code>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

<code>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<code>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<code>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<code>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<code>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：<code>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：<code>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:

<code>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<code>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<code>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 1 2023, 21:28:38) [MSC v.1929 64 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<code>tensorflow环境：

conda deactivate

在这里插入图片描述

同时，<code>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：

<code>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'))code>

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

出现了当前环境<code>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

def cpu_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

def gpu_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<code>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！

上一篇： Java中Collections.singletonList的使用

下一篇：【Python】serial库的介绍及用法

本文标签

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

声明

本文内容仅代表作者观点，或转载于其他网站，本站不以此文作为商业用途
如有涉及侵权，请联系本站进行删除
转载本站原创文章，请注明来源及作者。