Anaconda 安装Tensorflow-gpu 版本详细教程

Anaconda 安装Tensorflow-gpu 版本详细教程

1、Anaconda的安装，目前已有许多安装Anconda的博客，本文不再赘述，给出对应安装的博客链接。

Anconda安装博客1
Anconda环境变量的修改

2、Cuda和Cudnn的安装

2.1 Cuda和Cudnn的版本选择
安装Cuda和Cudnn时一定注意对应的版本号。包括：tensorflow-gpu版本对用的Cuda和Cudnn，一定要先确定安装哪个版本的tensorflow-gpu版本再选择下载Cuda和Cudnn的版本。具体版本对应的信息见：版本对应信息
笔者采用的Cuda版本为11.2，Cudnn的版本为8.1，对应的tensorflow-gpu版本为2.9.0
2.2 Cuda和Cudnn的下载
Cuda下载地址

Cudnn下载地址（备注：下载Cudnn时需要注册NVIDIA账号，直接用QQ邮箱注册即可，很简单，也很快，后面也可以用该账号登入NVIDIA驱动程序）

2.3 Cuda和Cudnn的安装
Cuda安装：直接把下载的Cuda安装即可，安装时可以选择安装路径。
但最后安装的路径好像是：C:\Program Files\NVIDIA GPU Computing Toolkit

Cudnn安装：下载完后是一个压缩包，解压出来一个cuda文件夹，复制文件夹中的文件到上面图片的CUDA文件夹中。因为Cudnn是一个支持GPU加速神经网络计算的工具包，所以直接复制过去就OK了。
2.4 Cuda和Cudnn路径的配准
Cuda的路径应该默认在系统环境变量中添加了。
但Cudnn的路径还没添加，在电脑设置中搜索打开系统环境变量，然后添加环境变量：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\cudnn765\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\CUPTI\lib64
（如何添加环境变量参考Anaconda中环境变量修改的博客，传送门
最后的环境变量一共四个：（上面两个为Cuda自动添加的环境变量，后面是需要手动添加的Cudnn环境变量）
在这里插入代码片
2.5 Cuda和Cudnn路径的安装成功测试
打开Anaconda的Prompt文件，为一个类似cmd命令的窗口

输入：

nvcc -V

这样子就成功安装Cuda和Cudnn了。

3、Tensorflow-gpu安装

1 建立Tensorflow-gpu环境
在Anaconda的Prompt的窗口中建立Tensorflow-gpu环境，输入代码：

conda create -n tensorflow_gpu python=3.9

![在这里插入图片描述](https://img-blog.csdnimg.cn/07f914a7674b4523aa08ac1ce9cb3cac.png#pic_center

2 激活Tensorflow-gpu环境
继续输入代码：

activate tensorflow_gpu

3 安装
继续输入代码：

pip install tensorflow-gpu==2.9.0

后面会自动下载，弹出许多代码，知道最后安装成功。
4 添加Jupyter Notebook内核（可选，笔者在Jupyter Notebook中写程序，故安装；建议统一安装，可在Jupyter Notebook中调试程序）
依次输入代码：

python -m pip install ipykernel
python -m ipykernel install --user --name=kernelname  --display-name tensorflow_gpu

5 验证Tensorflow-gpu安装成功
输入代码：

python
import tensorflow as tf
tf.test.is_gpu_available()#用来验证GPU是否可用
tf.test.is_built_with_cuda()#用来验证cuda是否可用
tf.__version__#返回tensorflow-gpu的版本
tf.test.gpu_device_name()#返回gpu的名称
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))#返回可用GPU的个数

出现如图所示返回的内容即为安装成功

4、返回Anaconda编程

打开Anaconda中的Jupyter Notebook：

开始编程，内核选择tensorflow-gpu：