RTX 3060 快速配置GPU版本tensorflow

目录

一.Anaconda安装

1. Anaconda下载

方式一：官网下载

方式二：清华镜像下载

2. Anaconda安装

3. Anaconda配置

3.1 配置环境变量

3.2 配置国内镜像源

3.3恢复默认源：

3.4 conda常用命令

二.安装Tensorflow-gpu

1.使用Anaconda来创建环境

2.安装CUDA

3.安装cuDNN

4.安装tensorflow的GPU版本

 三、将配置好的环境导入pycharm

1.创建工程

 2.新建测试代码（GPU版本）

3.成功运行

四.CUDA安装的第二种方式

---

一.Anaconda安装

1. Anaconda下载

方式一：官网下载

下载地址传送门：

官网首页：https://www.anaconda.com/
官网下载页：https://www.anaconda.com/products/individual#Downloads
直接选择相应的installer即可，速度并不慢

方式二：清华镜像下载

假如在官网下载比较慢，或者容易断，推荐用下面清华镜像方式：

下载地址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
打开后，可以通过Date排序找到最新版本下载

快慢当然取决于不同网络环境。

2. Anaconda安装

下载后，就和正常软件安装一样，

这里用Windows版举例：

选择用户All Users，安装地址默认即可

下面一步可以先不用选Add sys path，只勾选Register。 推荐安装之后手动配置SysPath，避免配置导致后期使用上的问题

等待完成，下一步

最后两项都不需要选，点击Finish，完成安装

3. Anaconda配置

3.1 配置环境变量

打开电脑高级系统配置：

点开系统环境变量

找到下面系统变量 -> Path，然后点击Edit 或直接双击

添加安装目录及相应bin目录进去，如下图，完成配置

注意因为我采用默认位置安装的anaconda，它是安装在了C盘不可见文件里面，所以我们需要佑点击一个anaconda应用选择打开文件位置找到anaconda3这个文件目录

这里的ProgramData正常情况下我们是在此电脑C盘看不到的 

之后可以简单通过cmd输入conda 命令检查下安装配置是否成功：
输入conda -V或者conda --version，可以看到Anaconda的版本号，即为Anaconda安装成功！

同时可以通过python --version看下python的版本已经是conda带的版本了：
 

3.2 配置国内镜像源

方式一：在cmd中输入conda config --set show_channel_urls yes在C盘用户目录下会生成.condarc文件。

conda config --set show_channel_urls yes

然后使用记事本打开，用下面的内容将其替换保存即可。

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirror.tuna.tsinghua.edu.cn/anaconda
default_channels:
  - https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/free
  - https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/pro
  - https://mirror.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirror.tuna.tsinghua.edu.cn/anaconda/cloud

最后保存，然后在CMD中输入conda clean -i，此时Anaconda已经换源成功！

接着还可对Python换源能显著加快下载速度，在CMD中输入下面代码即可换源成功！

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

方式二：在cmd里，通过输入下面命令为conda配置清华源：

conda config --add channels    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels    https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels    https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/

.condarc是anaconda的配置文件，在C:\users\username\下，里面是源。默认是不会自动创建，只有当用户第一次使用conda config命令时，系统才会自动创建.condarc文件

显示源：

conda config --show-sources

3.3恢复默认源：

conda config --remove-key channels

3.4 conda常用命令

二.安装Tensorflow-gpu

在安装Tensorflow-gpu之前，我们需要安装cuda和cudnn等。对于Tensorflow的gpu版本最重要的是配方（CUDA、cuDNN、Tensorflow版本的搭配）。
下面给出GPU版本的版本搭配：

GPU：

通过上述图表可以确认自己所需要的各个版本的搭配！切记一定要根据上述图表来进行安装！
确定好自己所需要的版本之后，正式安装开始！（我以2.3.0版本为例）

1.使用Anaconda来创建环境

这里环境名称命名为tensorflow，在CMD中输入

conda create -n tf38 python=3.8

输入y进行确认

当看到显示done出现激活环境提示，表明虚拟环境已经创建成功！

2.安装CUDA

首先查看本机GPU对应的cuda版本，如下图所示，本机cuda版本为11.5，后面选择的cuda版本不要超过这里的版本就好。

在我们的具体使用中，其实真正需要的并不是整个CUDA，而是cudatoolkit，所以我们在这里直接安装cudatoolkit，不需要再下载3个多G的CUDA来本地安装。

 

在很多教程中我看到有很多是分别去NVIDIA的官网下载CUDA和cuDNN的安装文件再安装的，但是这没有必要而且很麻烦，我们可以直接通过在conda中输入指令安装对应版本。

先在CMD中输入activate tf38以激活环境在目录左侧会显示虚拟环境名称。

再输入conda install cudatoolkit=10.1，见下图，即cudatoolkit（CUDA）安装完成（此版本号只是举例，实际按需求更改）

3.安装cuDNN

在激活的环境里输入

conda install cudnn=7.6

见下图情况，表明已经安装成功！

4.安装tensorflow的GPU版本

安装Tensorflow和CUDA、cuDNN的方式稍有不同,CUDA和cuDNN是使用conda命令下载，Tensorflow是通过pip下载,同样在激活环境中输入

pip install tensorflow-gpu==2.3.0

等待下载完毕，即安装成功，如下图所示，即表明安装成功!

至此，Tensorflow的GPU版本已经安装成功，现在需要测试可用不可用。
在激活环境中输入python以进入python环境。
然后输入

import tensorflow as tf

可见如下：

 再输入

tf.test.is_gpu_available()

若最后为True表示GPU可用，证明已经成功安装Tensorflow的GPU版本，如下图：

 三、将配置好的环境导入pycharm

1.创建工程

 或者就现有工程文件测试，选中左下角添加编译器Add Interpreter

 2.新建测试代码（GPU版本）

import tensorflow as tf
 
tensorflow_version = tf.__version__
gpu_avilable = tf.test.is_gpu_available()
 
print("tensorflow version: ", tensorflow_version, "\tGPU aviable:", gpu_avilable)
 
a = tf.constant([1.0, 2.0], name='a')
b = tf.constant([1.0, 2.0], name='b')
result = tf.add(a, b, name='add')
print(result)

3.成功运行

四.CUDA安装的第二种方式

说实话这个方式真的很麻烦，也没必要。

但还是补充一下吧，借鉴别人的。

1.检查完cuda之后，进入https://developer.nvidia.com/cuda-toolkit-archive该网站选者相应的cudatoolkit版本下载（tensorflow-gpu用到cudatoolkit，没必要把整个cuda都下载下来），如图所示，本机选择下载的版本为10.1，这里选择版本一定要注意，因为cuda版本会决定你下载的cudnn和tensorflow-gpu版本，若不一致，会出现版本不匹配等问题，无法使用，详细情况下面阐述。

 2.下载完cuda之后
      ①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。

 

      ②完成上一步后，选择自定义，然后点下一步。
      ③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。

 

      ④然后一直下一步，等待安装结束（中间让选择安装位置时，可以更改目录，最好只改前面的盘符，后面的文件夹保持一致，方便以后管理）。
      ⑤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。
      a.打开电脑属性，找到高级系统设置，选择环境变量打开。

      b.查看是否有以下环境变量，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。

      c.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。

      CUDA的安装就结束了，接下来下载解压cuDNN文件。

第二步：安装cuDNN
      打开该网址https://developer.nvidia.com/rdp/cudnn-archive，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首先，根据安装的CUDA版本下载对应的cuDNN版本，以及对应的tensoflow-gpu版本、python版本都从这里查看，详细信息查看该网址https://tensorflow.google.cn/install/source_windows。

      因为本机安装的CUDA10.1版本，所以选择cuDNN7.6进行下载，下面红框中的都可以选择。

      ②下载完成后，解压此文件，将cudnn文件中对应的文件移动到cuda对用安装目录中，注意不要移动到错误的位置。

解压的 cudnn文件    安装的cuda目录

      cuDNN的安装到这就结束了，接下来就是tensorflow-gpu。