Windows10 配置深度学习环境(使用本地GPU，配置Visual Studio 2017 + CUDA 10.1 + TensorFlow-GPU 2.3.0)

目录

配置环境

1. 安装Anaconda

2. 安装 Visual Studio

3. 安装 CUDA

4. 安装 CUDNN

5. 安装 TensorFlow-GPU

---

最近需要使用TensorFlow来做一个项目，因此涉及大量的矩阵运算，但如果仅仅使用CPU来运算，训练的时间就会比较久。虽然可以借助谷歌的colab平台来进行在线的训练，但是始终有各种各样的限制。所以直接使用本地的GPU来做相对来说会比较方便快捷一些。但是，要想使用本地的GPU，还需经过九九八十一难，各种各样的环境配置和软件安装。这也是我第一次在本地配置这样的环境，经过各种各样的坑之后，终于配置完成了，在此跟大家详细的分享一下我配置的整个过程。

在配置环境之前，需要确保自己的电脑能够使用CUDA。首先需要确认自己的电脑是有NVIDIA显卡，如果没有，那么你就无法安装CUDA了，CUDA是NVIDIA提供的专门面向编程的加速库，其他品牌的显卡是不能安装的，这个时候你就只能安装TensorFlow CPU的版本。

CUDA、cuDNN和tensorflow-gpu之间是需要对应版本的，但是在官网给出的对应关系中没有CUDA10.1的对应TensorFlow版本。不过在“GPU支持”介绍中提到“TensorFlow 支持 CUDA 10.1（TensorFlow 2.1.0 及更高版本）”，所以安装CUDA 10.1+TensorFlow 2.1.0以上版本是兼容的。

配置环境

• Windows 10 64位
• Anaconda 1.9.12
• Visaul Studio 2017
• Python 3.7
• CUDA Toolkit 10.1.120
• CUDNN 7.6.1.34
• TensorFlow-GPU 2.3.0

1. 安装Anaconda

在此之前我的电脑就已经安装使用了Anaconda，所以关于Anaconda的安装步骤，百度上有很多教程，大家可以另行搜索，这里就不再赘述了。

2. 安装 Visual Studio

安装Visual Studio，主要为了配合CUDA安装，也有人说其实可以不安装VS，不安装VS的话，在安装CUDA的时候需要把Visual Studio Intergration 这个选项去掉。但是为了确保CUDA的功能使用，我还是选择安装。VS还是有兼容性问题的，为了保险起见，我还是下载一个相对比较新的版本，目前最新的是2019版，但最新的版本可能不太稳定，综合考虑下还是选择visual_studio_community_2017版的。

Visual Studio可直接在官网（https://visualstudio.microsoft.com/zh-hans/）下载， 从 Visual Studio 2017 开始，就集成了Python模块用于对机器学习的支持，其安装方式也新增了在线安装，安装时可以选择需要的组件进行安装即可，这里需要选择C++桌面开发和Python开发。安装界面如下：

3. 安装 CUDA

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 CUDA的下载地址在：https://developer.nvidia.com/cuda-downloads。

（1）首先需要查看自己电脑的NVIDIA显卡支持的 CUDA 版本，打开 NVIDIA 控制面板—系统信息—组件。

这里我电脑对应的就是的10.1版本，下载地址：https://developer.nvidia.com/cuda-10.1-download-archive-base。安装类型包括 在线安装 和 本地安装，在网速允许的情况下可以选择在线安装。

（2）在安装之前，要先关闭360等一些安全软件，否则很可能提示组件安装失败。 安装空间大概几个G，要是C盘空间足够，最好选择默认的安装位置，避免不必要的环境配置问题。但是在安装的时候最好选择自定义安装，因为里面默认选项需要修改。

NVIDIA GeForece Experience co...这个选项可以去掉。

另外如果你的电脑没有按照VS的话，下面的Visual Studio Intergration 这个选项也要去掉，否则就会安装失败。

最后需要确认一下CUDA自带的NVIDIA驱动版本是小于还是大于你电脑已有的版本：如果CUDA自带驱动版本小于你电脑版本的话，下图的这个选项必须去掉，不然同样也会导致安装失败；但如果CUDA自带驱动版本跟你电脑原本的驱动版本一致或者更新的话，这个选项可选可不选。这里我的电脑属于一种情况，就必须去掉这个选项。

（3）安装过程大概需要几分钟，如果安装成功的话，在默认安装路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin里面会有nvcc.exe编译器以及在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64中会有cupti_101.dll动态库。

4. 安装 CUDNN

对于tensorflow而言，真正实现加速的是cudnn，然后cudnn调用的是cuda显卡驱动。所以最后我们要配置cudnn这个模块。

cuDNN的全称为NVIDIA CUDA® Deep Neural Network library，是NVIDIA专门针对深度神经网络（Deep Neural Networks）中的基础操作而设计基于GPU的加速库。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式，例如convolution、pooling、normalization以及activation layers的前向以及后向过程。

(1) 选择与 CUDA 版本想匹配的 cuDNN 版本，这里我选择cuDNN v7.6.5的版本，下载前需要先在官网进行注册。

 

（2）下载后解压，将文件里面的cuda文件重命名为cudnn，然后整个复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1里面，同时需要将重命名后的cudnn文件夹的bin里面的cudnn64_7.dll复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin里面（之前看某个B站的视频介绍没有这一步，然后加载TensorFlow后无法使用GPU）。

（3）配置环境变量：在桌面上右击我的电脑，选择属性—高级系统设置—环境变量—系统变量—Path，添加C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\CUPTI\lib64和C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn两个路径，并将添加的两个路径上移到前面两个变量（在安装过程中系统已经自动配置的）路径之下。

（4）测试Cuda是否安装成功：打开命令提示符（win+r，后输入cmd，或者在电脑左下角的搜索框输入cmd直接搜索），输入：nvcc -V，出现如下类似信息说明cuda安装和路径配置成功。

5. 安装 TensorFlow-GPU

（1）安装TensorFlow-GPU可以打开Anaconda Prompt (Anaconda3)使用pip安装。

采用pip安装python包，如果源为国外的，下载速度比较慢，可以更换为国内源。临时使用清华源的格式如下：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple （python包）。这里我输入的是：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu。如果不指定版本的话，默认安装最新的tensorflow 版本。

pip安装过程大部分都不大可能顺利一次安装成功，经常会报各种错，大家习惯了就好。如果不知道怎么解决，直接百度就好了，基本都能解决。

（2）TensorFlow测试：打开命令提示符，输入ipython按回车，然后输入 import tensorflow as tf按回车，没有报错，说明tensorflow安装成功，如果这里报了numpy错误的话可能需要升级一下numpy，然后输入tf.test.is_gpu_available()再按回车，如果输出为True的话说明全部配置成功。

到此，就大功告成了。