Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9），Tensorflow-gpu在Win11、Anaconda3和Python3.9环境下的保姆级安装指南

2024-03-220阅读0评论

温馨提示：这篇文章已超过424天没有更新，请注意相关的内容是否还可用！

摘要：本教程提供了一份保姆级的安装指南，帮助用户在Windows 11操作系统上安装Tensorflow-gpu。通过Anaconda3和Python3.9环境，本教程详细指导用户如何安装和配置Tensorflow-gpu，以便用户能够顺利运行深度学习项目。

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 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。
    - 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“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。
      - 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
        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。
        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 -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。
        、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:\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：
        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
        
        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 \WorkSoftware\Install\Anaconda3\envs\tensorflow\
        
        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
        
        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 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 File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\__init__.py", line 41, in 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 from tensorflow.python.eager import context File "D:\WorkSoftware\Install\Anaconda3\envs\tensorflow\lib\site-packages\tensorflow\python\eager\context.py", line 33, in 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 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 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 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 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 _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__
        
        退出tensorflow环境：
        
        conda deactivate
        
        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。
        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！
        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！

相关阅读：

1、如何在社交网络核实消息来源，社交网络消息来源核实指南，社交网络消息来源核实指南，如何确保信息真实性？

2、如何阻止社交网络上的傻子，如何防止社交网络上傻子的行为干扰？

3、替换FeedBurner邮件为Follow.it，FeedBurner邮件替换为Follow.it，全新邮件订阅体验

4、Windows 10下注册32位OCX控件的方法，Windows 10下如何注册32位OCX控件指南，Windows 10注册32位OCX控件指南，操作方法与步骤解析，Windows 10注册32位OCX控件的详细指南与操作解析，Windows 10注册32位OCX控件详解，方法与步骤指南

5、小储云商城V1.78破解版，小储云商城V1.78破解版揭秘与评测，小储云商城V1.78破解版深度解析与评测揭秘，小储云商城V1.78破解版深度解析、揭秘与评测报告

赞0

☆收藏0

文章版权声明：除非注明，否则均为VPS857原创文章，转载或复制请以超链接形式并注明出处。

如何运行vue项目(超详细图解），Vue项目超详细运行图解指南

全国计算机等级考试——二级JAVA完整大题题库【五十三道】，全国计算机等级考试二级JAVA题库大汇总（五十三道大题），全国计算机等级考试二级JAVA题库大汇总，五十三道大题题库详解，全国计算机等级考试二级JAVA题库大汇总详解（五十三道大题详解），全国计算机等级考试二级JAVA题库大汇总详解，五十三道大题全面解析

相关阅读

【研发日记】Matlab/Simulink自动生成代码(二)——五种选择结构实现方法，Matlab/Simulink自动生成代码的五种选择结构实现方法（二），Matlab/Simulink自动生成代码的五种选择结构实现方法详解（二）

超级好用的C++实用库之跨平台实用方法，跨平台实用方法的C++实用库超好用指南，C++跨平台实用库使用指南，超好用实用方法集合，C++跨平台实用库超好用指南，方法与技巧集合

【动态规划】斐波那契数列模型（C++），斐波那契数列模型（C++实现与动态规划解析），斐波那契数列模型解析与C++实现（动态规划）

【C++】，string类底层的模拟实现，C++中string类的模拟底层实现探究

uniapp 小程序实现微信授权登录（前端和后端），Uniapp小程序实现微信授权登录全流程（前端后端全攻略），Uniapp小程序微信授权登录全流程攻略，前端后端全指南

Vue脚手架的安装（保姆级教程），Vue脚手架保姆级安装教程，Vue脚手架保姆级安装指南，Vue脚手架保姆级安装指南，从零开始教你如何安装Vue脚手架

如何在树莓派 Raspberry Pi中本地部署一个web站点并实现无公网IP远程访问，树莓派上本地部署Web站点及无公网IP远程访问指南，树莓派部署Web站点及无公网IP远程访问指南，本地部署与远程访问实践，树莓派部署Web站点及无公网IP远程访问实践指南，树莓派部署Web站点及无公网IP远程访问实践指南，本地部署与远程访问详解，树莓派部署Web站点及无公网IP远程访问实践详解，本地部署与远程访问指南，树莓派部署Web站点及无公网IP远程访问实践详解，本地部署与远程访问指南。

vue2技术栈实现AI问答机器人功能（流式与非流式两种接口方法），Vue2技术栈实现AI问答机器人功能，流式与非流式接口方法探究，Vue2技术栈实现AI问答机器人功能，流式与非流式接口方法详解

发表评论取消回复

评论列表（暂无评论，0人围观）

还没有评论，来说两句吧...

目录[+]

微信二维码

微信二维码

支付宝二维码