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

见贤思齐

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版本关系查询我的安装环境为：操作系统显卡Pythonwin11NVIDIAGeForceRTX20503.9.13我的tensorflow-gpu安装版本为：tensorflow-gpucudacuDNNtensorflow-gpu2.7.0cuda11.5.2cuDNN8.3.2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：GeForceRTX2050可以看到点击出现了NVIDIAGeForce...，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。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：3）、查看GPU驱动版本，也就是我们“CUDAVersion”，Windows11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-smi1(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：CUDAToolkitArchive|NVIDIADeveloper；cudnn下载地址：cuDNNArchive|NVIDIADeveloper。1)、下载：我下载的是CUDAToolkit11.5.2,点击前面的CUDAToolkit11.5.2选择相应的系统、版本等选项，点击Download下载：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。b、点击同意并继续：c、完成上一步后，选择自定义，然后点下一步：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VisualStudioIntegration（因为我们并没有使用VisualStduio环境，即使勾选上了也会安装失败）在Drivercomponents一栏比较DisplayDriver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DisplayDriver；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。！！！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。f、正在安装g、安装成功！点击关闭即可！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。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。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-Vnvcc--version12还可以查看CUDA设置的环境变量。setcuda1我们还可以搜索CUDA的安装目录，找到“nvcc.exe”文件。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：cuDNNArchive|NVIDIADeveloper。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cuDNNv8.3.2forCUDA11.5。、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！）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：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：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：打开cudnn文件中的剩下的文件，复制粘贴到CUDA\v11.5文件夹中：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:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.5\binC:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.5\libnvvpC:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.5C:\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.5\lib\x641234添加好后是这样的：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\ProgramFiles\NVIDIAGPUComputingToolkit\CUDA\v11.5\extras\demo_suite1然后分别执行以下两个命令：.\bandwidthTest.exe.\deviceQuery.exe12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-smi1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anacondaprompt2）、创建tensorflow环境，输入命令：condacreate-ntensorflowpython=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condacreate-ntensorflowpython=3.913）、创建成功后，输入命令：condaenvlist，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）。condaenvlist14）、进入环境，输入命令：activatetensorflow，就可以进入tensorflow环境中condaactivatetensorflow1如果要退出环境，输入:condadeactivate15）、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\126）、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：pipinstalltensorflow-gpu==2.7.0-ihttps://pypi.mirrors.ustc.edu.cn/simple1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：importtensorflowastf1如果导入包有以下报错（没有报错请忽略！）：(tensorflow)C:\Users\Rmzh>pythonPython3.9.16|packagedbyconda-forge|(main,Feb12023,21:28:38)[MSCv.192964bit(AMD64)]onwin32Type"help","copyright","credits"or"license"formoreinformation.>>>importtensorflowastfTraceback(mostrecentcalllast):File"",line1,inFile"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\__init__.py",line41,infromtensorflow.python.toolsimportmodule_utilas_module_utilFile"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\__init__.py",line41,infromtensorflow.python.eagerimportcontextFile"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\eager\context.py",line33,infromtensorflow.core.frameworkimportfunction_pb2File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\function_pb2.py",line16,infromtensorflow.core.frameworkimportattr_value_pb2astensorflow_dot_core_dot_framework_dot_attr__value__pb2File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\attr_value_pb2.py",line16,infromtensorflow.core.frameworkimporttensor_pb2astensorflow_dot_core_dot_framework_dot_tensor__pb2File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\tensor_pb2.py",line16,infromtensorflow.core.frameworkimportresource_handle_pb2astensorflow_dot_core_dot_framework_dot_resource__handle__pb2File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\resource_handle_pb2.py",line16,infromtensorflow.core.frameworkimporttensor_shape_pb2astensorflow_dot_core_dot_framework_dot_tensor__shape__pb2File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\core\framework\tensor_shape_pb2.py",line36,in_descriptor.FieldDescriptor(File"D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\google\protobuf\descriptor.py",line561,in__new___message.Message._CheckCalledFromGeneratedFile()TypeErrorescriptorscannotnotbecreateddirectly.Ifthiscallcamefroma_pb2.pyfile,yourgeneratedcodeisoutofdateandmustberegeneratedwithprotoc>=3.19.0.Ifyoucannotimmediatelyregenerateyourprotos,someotherpossibleworkaroundsare:1.Downgradetheprotobufpackageto3.20.xorlower.2.SetPROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python(butthiswillusepure-Pythonparsingandwillbemuchslower).Moreinformation:https://developers.google.com/protocol-buffers/docs/news/2022-05-06#python-updates123456789101112131415161718192021222324252627282930解决上述报错，输入exit()退出python环境导入以下包：pipinstallprotobuf==3.19.0-ihttps://pypi.tuna.tsinghua.edu.cn/simple--trusted-hostpypi.tuna.tsinghua.edu.cn1然后重新进入python环境，查看tensorflow的版本信息,输入命令：importtensorflowastftf.__version__12退出tensorflow环境：condadeactivate1同时，conda控制台是默认打开base环境的，如果想管理这一设置condaconfig--setauto_activate_basefalse/true1(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。输入以下测试代码：importtensorflowastfprint(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("NumGPUsAvailable:",len(tf.config.experimental.list_physical_devices('GPU')))#查询GPU设备123456789101112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！importtensorflowastfimporttimeit#指定在cpu上运行defcpu_run():withtf.device('/cpu:0'):cpu_a=tf.random.normal([10000,1000])cpu_b=tf.random.normal([1000,2000])c=tf.matmul(cpu_a,cpu_b)returnc#指定在gpu上运行defgpu_run():withtf.device('/gpu:0'):gpu_a=tf.random.normal([10000,1000])gpu_b=tf.random.normal([1000,2000])c=tf.matmul(gpu_a,gpu_b)returnccpu_time=timeit.timeit(cpu_run,number=10)gpu_time=timeit.timeit(gpu_run,number=10)print("cpu:",cpu_time,"gpu:",gpu_time)12345678910111213141516171819202122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！