tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)

方法一:不安装cuda直接用gpu版

参考链接
事先声明:是盗用的别人的方法,原作者如有异议可私我,小萌新将删除改博客
第一步:在anconda内安装你要的python版本
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第1张图片
第二步:点击你新建的那个环境后面的三角形,选择open terminal,我的是python36。(就是打开这个环境下的终端),依次输入以下代码

conda install -c aaronzs tensorflow-gpu     
conda install -c anaconda cudatoolkit			
conda install -c anaconda cudnn

(解释:第一句是github上aaronzs大佬的包,-c 就是Anconada channel),
如果提示: Could not find ‘cudart64_90.dll’ ,重新输入:
conda install -c anaconda cudatoolkit=9.0 (原因是默认安装的是10.0,要换成9.0版本)

方法二

坑一 :卸载cpu版本tensorflow

卸载方法:打开anconda prompt,输入 pip uninstall tensorflow

坑二:更新显卡驱动。

设备管理器–显示适配器,右键1050ti(根据自己的显卡而定),更新驱动。
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第2张图片
需要下载的文件:(ps:建议用chrome浏览器下载,不然容易出错)

anconda安装

点击这里下载anconda,然后一直下一步就可以了,记得配置环境变量。

CUDA Toolkit 10.0安装

点击这里下载CUDA Toolkit 10.1

tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第3张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第4张图片
运行cuda_10.1.105_418.96_win10.exe,修改安装路径,之后会进行兼容性检查(按照上面对应的版本应该是没有问题的),同意许可协议后选择自定义安装
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第5张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第6张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第7张图片
显示缺少VS支持,点击链接安装VS(选择通用Windows平台开发、使用C++的桌面开发、Python开发和Visual Studio 扩展开发),安装过程耗时较长,不要认为是卡了
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第8张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第9张图片
安装过程可能会进行几次重启,属于正常现象,博主之前装了VS2017,也可以用的。如果提示缺少vs2015/vs2013组件不用理会。
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第10张图片
重启(如果之前安装过cuda可能不会让你重启)。

验证cuda是否安装成功
显示cuda版本则安装成功,如果没成功,可以看一下驱动是否更新
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第11张图片

安装cuDNN v7.5.0 (Feb 25, 2019), for CUDA 10.1

点击这里下载cuDNN v7.5.0 (Feb 25, 2019), for CUDA 10.1(需要先注册才能下载,建议用chrome下载,不然下载的文件可能会出错)
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第12张图片
下载完后解压缩,把所有文件拷贝到CUDA的安装目录下(“C:\NVIDIA\CUDAv10.1”)
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第13张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第14张图片
配置环境变量
确认系统变量有下面两个
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第15张图片
依此添加下列三个路径到Path里
C:\NVIDIA\CUDAv10.1\bin
C:\NVIDIA\CUDAv10.1\include
C:\NVIDIA\CUDAv10.1\lib\x64
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第16张图片

安装tensorflow1.13.1

点击这里下载tensorflow1.13.1
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第17张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第18张图片
这里有两个版本,avx2版本和sse2版本,两个都可以,博主下的是avx2版本。(ps:建议下载sse2版本,如果不行再下载另外一个)
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第19张图片
001,002这两个都要下载,下载后解压缩001,得到tensorflow_gpu-1.13.1-cp37-cp37m-win_amd64.whl
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第20张图片
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第21张图片
安装tensorflow
进入 .whl 文件的目录(建议将该文件拷贝到C盘)
在这里插入图片描述
通过pip进行安装
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第22张图片
在这里插入图片描述
安装完成

测试

打开jupyther notebook,输入

import tensorflow as tf
 

with tf.Session(config = tf.ConfigProto(allow_soft_placement = True, log_device_placement = True)) as sess:
    # allow_soft_placement=True 表示使用gpu不能使用gpu时使用cpu
    # log_device_placement=False 不打印日志,不然会刷屏,为了查看是否使用gpu,我们设置为True
    a = tf.constant(1)
    b = tf.constant(3)
    c = a + b
    print('结果是:%d\n 值为:%d' % (sess.run(c), sess.run(c)))

打开设备管理器,看gpu1是否工作
tensorflow-gpu安装(anconda下,python3.7.1+win10+tensorflow1.13+vs2017+cuda10.1)_第23张图片
参考博客:https://blog.csdn.net/huanyingzhizai/article/details/89298964 (该博客中tensorflow-gpu用anconda进行安装博主试过了,会出错,建议按博主的方法)

你可能感兴趣的:(深度学习,机器学习)