win10安装TensorFlow-gpu-2.6详细教程

提示：看此文章 大前提需要拥有 NVIDIA的显卡

本篇献给那些想安装 官方已经测试过的最新版的TensorFlow-gpu2.6（仅限于本文发表的时间）的 (强) 大 (破) 家 (症)

文章目录

• 前言
  *
• 系统环境
  –
  • 准备
  • 如何查询NVIDIA算力
  • 确认安装TF-gpu版本
• 一、开始安装
  *
• 1、安装VS组件、CUDA
• 2、安装CUDNN
• 3.使用conda创建虚拟环境
• 二、使用pycharm测试代码
  *
• 1.安装matplotlib
• 2.使用pycharm测试代码
• 总结
• 参考链接

前言

大前提：你需要拥有NVIDIA的显卡

本篇用的是 anaconda创建的 虚拟环境搭建，但其实想装到 Win10系统环境，也是一样的。

个人安装顺序： VS=> CUDA=> CuDNN=> python=> tensorflow-gpu

友情提示：最重要的是 版本一定要对应， TensorFlow-gpu的版本与 VS、 CUDA和 CUDNN 以及 python的版本。

系统环境

我用的是笔记本电脑
系统： Windows10
显卡： GTX 1050Ti 算力 6.1（下边会讲到如何查询显卡算力）
软件： anaconda

准备

建议安装在 虚拟环境上，不会影响到 系统环境，因此建议安装 anaconda和 pycharm

anaconda和 pycharm的安装
若未安装或未曾使用过anaconda，请参考anaconda入门

如何查询NVIDIA算力

首先清楚自己的显卡类型 Ctrl + Shift + ESC打开 任务管理器，接着点击 性能，按照图片所示就清楚显卡

PS： 显卡的算力影响你能安装哪一些tensorflow-GPU的版本（如果算力3.5以上基本没什么问题）

NVIDIA显卡算力官网查询
进官网之后，要点击如下图，即可查看自己的显卡算力

PS：我的是笔记本电脑，所以看的是Notebook那一列的，如果是台式可以参考左边的。 个人认为左边或者右边都可以参考

以下安装为我成功运行的版本， TensorFlow-gpu2.6
直接查看最新的安装方式最好

; 确认安装TF-gpu版本

TensorFlow-gpu官网查询

我需要下载的是
TensorFlow-gpu-2.6

; 一、开始安装

一定要安装对版本，尤其是先安装 VS的部分组件，才可以安装 CUDA和 cuDNN， 先安装 VS部分组件，接着安装 CUDA，后安装 cuDnn

PS：如果有需要可以留言，我可以分享我下载的CUDA和CUDNN

1、安装VS组件、CUDA

VS官网
CUDA官网下载地址

进入VS官网，打开VS安装程序（本人安装的是tensorflow-gpu-2.6，因此对应安装 VS2019的部分组件
PS： 不需要安装完整的VS，只是需要VS的部分组件

具体是： C++ 2019可在发行程序包以及 VS 2019 C++ 生成工具，如下图

接着进入CUDA官网，下载对应版本

PS：官网下载比较缓慢，如有需要可以留言，我可以分享我的 CUDA11.2.2
cuda_11.2.2_461.33_win10
提取码：vo7c

下载好后，直接运行安装就行

测试是否成功安装可以使用命令 nvcc -V

win + R，输入cmd，打开命令行

输入命令 nvcc -V

; 2、安装CUDNN

CUDNN官网下载地址

PS：官网下载比较缓慢，如有需要可以留言，我可以分享我的 CUDNN8.1.1
连接为cudnn-11.2-windows-x64-v8.1.1.33

注意：安装 CUDNN之前（严格意义来说，这只是将需要用到的一些文件，添加到CUDA目录下），必须安装 CUDA

下载完成时一个 压缩包,解压后，将里面的所有文件，放到CUDA的安装路径下，即 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

; 3.使用conda创建虚拟环境

PS：以下很多场合用到conda命令，若不会请参考anaconda入门，也可能会给 conda换源，若不会请参考pip换源 conda换源

以下使用conda创建一个python3.9的虚拟环境

Win + R输入 cmd

1.创建一个python3.9的虚拟环境

输入命令 conda create -n tf-gpu-2.6 python=3.9.12
创建一个名为 tf-gpu-2.6 的虚拟环境，并且安装指定的python版本

回车以上命令之后，记得输入 y然后回车 [Enter]

2.进入环境

输入命令 activate tf-gpu-2.6 # 进入tf-gpu-2.6的虚拟环境

3.官网下载已经经测试的TensorFlow-gpu文件

TensorFlow-gpu下载官网

进入官网后，找到对应 python3.9版本的 TensorFlow-gpu的版本，复制网址，用 浏览器打开，即可下载 TensorFlow-gpu.whl文件
如果懒得打开官网，也可以在我这下载官网tensorflow-gpu-2.6

下载好后，输入命令 pip install tensorflow_gpu-2.6.0-cp39-cp39-win_amd64.whl(该文件完整的路径) # 使用pip命令安装TensorFlow-gpu

PS：有可能下载很慢，所以需要换源，若不会换源可以参考pip 换源

PS：在安装过程中，会安装很多关联的包，等待安装完成即可

4.测试TensorFlow-GPU

在当前环境下，输入 python，回车 [Enter]

输入以下命令 import tensorflow as tf

接着输入 tf.test.is_gpu_available()

以上代码会显示 显卡型号， 显卡算力以及是否可用，若为 True，则说明可用。

; 二、使用pycharm测试代码

1.安装matplotlib

1.进入环境

输入命令 activate tf-gpu-2.6 # 进入tf-gpu-2.6的虚拟环境

2.安装matplotlib

输入命令 pip install matplotlib

若需要换源，请参考pip换源 conda换源

2.使用pycharm测试代码

如果使用pycharm，如何关联conda创建的虚拟环境请参考anaconda入门

测试代码如下

import tensorflow as tf
import timeit
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False

def cpu_run(num):
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([1, num])
        cpu_b = tf.random.normal([num, 1])
        c = tf.matmul(cpu_a, cpu_b)
    return c

def gpu_run(num):
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([1, num])
        gpu_b = tf.random.normal([num, 1])
        c = tf.matmul(gpu_a, gpu_b)
    return c

k = 10
m = 7
cpu_result = np.arange(m, dtype=np.float32)
gpu_result = np.arange(m, dtype=np.float32)
x_time = np.arange(m)

for i in range(m):
    k = k * 10
    x_time[i] = k
    cpu_str = 'cpu_run(' + str(k) + ')'
    gpu_str = 'gpu_run(' + str(k) + ')'

    cpu_time = timeit.timeit(cpu_str, 'from __main__ import cpu_run', number=10)
    gpu_time = timeit.timeit(gpu_str, 'from __main__ import gpu_run', number=10)
    cpu_result[i] = cpu_time
    gpu_result[i] = gpu_time

print(cpu_result)
print(gpu_result)

fig, ax = plt.subplots()
ax.set_xscale("log")
ax.set_adjustable("datalim")
ax.plot(x_time, cpu_result, color='#005FDD', alpha=0.8, linewidth=1, label='C P U')
ax.plot(x_time, gpu_result, color='#47AC3A', alpha=0.8, linewidth=1, label='G P U')
ax.grid()
plt.legend(loc="upper right")
plt.title("CPU和GPU运行对比")
plt.xlabel('计算量')
plt.ylabel('时间')
plt.draw()
plt.show()

运行结果如下图

总结

1、 TensorFlow-gpu相对于 TensorFlow-cpu的安装步骤来说，比较麻烦，但最关键的还是 版本一定要对应

2、最重要的还是 CUDA以及 CUDNN的版本

PS：笔者安装的是 官方文档中已经测试过的 相对最新的 TensorFlow-gpu版本（即， TensorFlow-gpu-2.6），而最新的TensorFlow-gpu版本（截止至本文发表时间，最新为 TensorFlow-gpu-2.8），若要安装最新的 TensorFlow-gpu，需要自己亲自去测试最新的版本所对应的 CUDA以及 CUDNN 和 python版本，上述三者有一个版本不对应，就会导致 TensorFlow-GPU使用不了或者安装失败

参考链接

tensorflow官方文档
conda安装tensorflow官方文档
NVIDIA显卡算力官网查询

Original: https://blog.csdn.net/qq_43648288/article/details/124211064
Author: y y7
Title: win10安装TensorFlow-gpu-2.6详细教程