首页 资料中心 网络教程 正文

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

网络教程
2023-06-08 0 2,835

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

我的安装环境为：

操作系统 显卡 Python
win11 NVIDIA GeForce RTX2050 3.9.13

我的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

可以看到点击出现了NVIDIA GeForce ...，即你的电脑显卡型号。

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“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

(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：

  1. cuda的安装
  2. cuDNN的神经网络加速库安装
  3. 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。

1)、下载：

我下载的是CUDA Toolkit 11.5.2, 点击前面的 CUDA Toolkit 11.5.2

选择相应的系统、版本等选项，点击Download下载：
Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）
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。！！！

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。

  1. 打开 电脑属性，找到 高级系统设置，选择 环境变量 打开。

  2. 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。

  1. 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。

  1. 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

  • 还可以查看CUDA 设置的环境变量。
set cuda

  • 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：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。

  1. 、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！）

  1. 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CUDAv11.5bin文件夹中：

  1. 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CUDAv11.5include文件夹中：

  1. 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CUDAv11.5libx64文件夹中：

  1. 打开cudnn文件中的剩下的文件， 复制粘贴 到CUDAv11.5文件夹中：

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

  1. 、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 FilesNVIDIA GPU Computing ToolkitCUDAv11.5bin
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.5libnvvp
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.5
C:Program FilesNVIDIA GPU Computing ToolkitCUDAv11.5libx64

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...CUDAv11.5extrasdemo_suite：,我是默认路径，所以我的是：

cd Program FilesNVIDIA GPU Computing ToolkitCUDAv11.5extrasdemo_suite

然后分别执行以下两个命令：

.bandwidthTest.exe
.deviceQuery.exe

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

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

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

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

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

4）、进入环境，输入命令：activate tensorflow，就可以进入tensorflow环境中

conda activate tensorflow

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 WorkSoftwareInstallAnaconda3envstensorflow

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

Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）
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:UsersRmzh>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 "", line 1, in module>
  File "D:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflow__init__.py", line 41, in module>
    from tensorflow.python.tools import module_util as _module_util
  File "D:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowpython__init__.py", line 41, in module>
    from tensorflow.python.eager import context
  File "D:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowpythoneagercontext.py", line 33, in module>
    from tensorflow.core.framework import function_pb2
  File "D:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowcoreframeworkfunction_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:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowcoreframeworkattr_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:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowcoreframeworktensor_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:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowcoreframeworkresource_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:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagestensorflowcoreframeworktensor_shape_pb2.py", line 36, in module>
    _descriptor.FieldDescriptor(
  File "D:WorkSoftwareInstallAnaconda3envstensorflowlibsite-packagesgoogleprotobufdescriptor.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__

退出tensorflow环境：

conda deactivate

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

  1. 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。

  1. 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

  • 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！
  1. 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)

  • 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！

文章来源于互联网:Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）

收藏 (0) 点赞 (0)

银河教育 网络教程 Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9） https://www.edufly.cn/data/tutorial/841.html

常见问题

相关文章

如何监控PolarDB-X集群的节点健康状态和性能信息？
如何监控PolarDB-X集群的节点健康状态和性能信息？
网络教程
2年前 2,235
PolarDB-X 如何实现高性能和高可靠性？
PolarDB-X 如何实现高性能和高可靠性？
网络教程
2年前 2,370
PolarDB-X的部署方法
PolarDB-X的部署方法
网络教程
2年前 2,508
浅谈对象存储分布式缓存
浅谈对象存储分布式缓存
网络教程
2年前 2,372
猜你喜欢
发表评论
暂无评论
官方客服团队

为您解决烦忧 - 24小时在线 专业服务

联系官方团队 在线提交工单
优学沙龙

加入优学沙龙，优先锁定优质资源！

优学沙龙交流群
银河教育

优学沙龙

加入优学沙龙，优先锁定优质资源！
热门标签
热门文章
热门评论
  • 银河教育：

    这个问题的答案可能会因人而异，取决于你的兴趣、目标和就业市场的需求。然而，以下是一些在大多数领域都被广泛认可的技能： 编程和数据分析：无论你的专业是什么，学习一种编程语言（例如Python或JavaScript）都会对你大有裨益。数据分析也是一个越来越重要的技能，可以帮助你更好地理解和解决问题。 项目管理：了解如何有效地管理项目可以帮助你在任何工作中都取得成功。这包括时间管理、预算管理、团队管理等。 沟通技巧：无论你的工作是什么，都需要和他人进行沟通。学习如何清晰、有效地传达你的观点，以及如何倾听他人的观点，都是非常重要的。 批判性思维：这是一种能让你理解和评估各种不同观点，然后做出逻辑合理决策的技能。 自我学习能力：在这个快速变化的世界，持续学习和适应新技能变得越来越重要。 记住，这些只是一些通用的建议。你应该根据自己的兴趣和目标来选择学习什么技能。

  • 银河教育：

    Red Hat是世界上最大的开源公司，其认证方式涵盖了许多技术领域，包括： Red Hat Certified System Administrator（RHCSA）：是Red Hat的基础级认证，评估使用者在系统管理员方面的日常管理任务的知识。 Red Hat Certified Engineer（RHCE）：RHCE证书是比RHCSA更进一步的认证，需要有更深一步的知识和实践经验。 Red Hat Certified Architect（RHCA）：是Red Hat最高级别的认证，需要通过更多的专门的考试。 Red Hat Cloud Certifications：Red Hat还提供了一系列有关云计算的认证，包括OpenShift和OpenStack。 Red Hat DevOps Certifications：这是一系列涵盖DevOps方法和工具的认证。 Red Hat Certified Virtualization Administrator: 这个认证证明了持有者能够在企业环境中部署和管理虚拟化技术。 具体的认证和培训内容，你可以在Red Hat官方网站上了解。

  • 银河教育：

    这个问题需要根据你的兴趣和职业发展目标来回答。 1. 编程技术：随着科技的快速发展，编程已经成为一种必备技能。如Python，Java，C++，Javascript等。具备这些技能可以有很高的薪资待遇。 2. 数据分析：数据现在是各行各业的重要驱动力。掌握如R，SQL，Excel，Python等数据处理和分析工具对求职非常有帮助。 3. AI和机器学习：人工智能和机器学习是未来十分重要的趋势。这个方向需要的基础知识包括数学和编程。Python是在这个领域常用的编程语言。 4. 人工智能技术：这包括机器学习，深度学习，无人驾驶等人工智能技术领域的发展，未来有非常大的潜力。 5. 云计算和大数据：随着数据量的增长，大数据分析和云计算的需求也在增大。 当然，除了技术技能外，一些通用技能，如沟通技巧，项目管理，团队协作，创新思维等，也对你的职业发展非常重要。

  • 银河教育：

    如果未能通过华为HCIE认证考试，需要进行补考，通常需要支付一定的补考费用。补考费用与考试费用一样，取决于考试的类型和等级。一般而言，补考费用约为2000元人民币左右，但具体的费用可能因地区和国家而有所不同。 需要注意的是，如果您需要进行多次补考，您必须每次支付相应的补考费用。而且，如果您未能在规定的时间内完成补考，需要再次参加考试的话，您仍需要支付相应的考试费用，并参加再次考试。 如果您需要了解关于补考费用和补考规则的更多信息，建议您直接查阅华为官方网站或咨询当地的华为认证培训中心。

  • 银河教育：

    华为HCIE认证考试的通过率是比较低的，根据官方数据，大多数考试的通过率在50%左右，有些考试通过率甚至不到50%。这也说明了HCIE认证的难度非常高，能够通过考试的人员是具备非常优秀的技术和实际经验的。考试通过率低主要是因为考试内容难度较高，考试的要求和标准也比较高，对考生的技术水平和经验都有很高的要求，对于没有充分准备和充足经验的考生来说，很难通过考试。 如果您打算参加HCIE认证考试，建议您充分准备，参加官方的培训课程，并在考试前进行充分的复习和实验，这样才能提高通过考试的机会。当然，即使考试没有通过，也不要气馁，要继续学习和实践，增强自己的技术实力，下次再参加考试，继续努力。

    • 加入优学沙龙，锁定六大优质资源！
    首页 课程 菜单 认证 预约