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
Anaconda 安装Tensorflow-gpu 版本详细教程_第1张图片
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)
Anaconda 安装Tensorflow-gpu 版本详细教程_第2张图片
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
Anaconda 安装Tensorflow-gpu 版本详细教程_第3张图片
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)
Anaconda 安装Tensorflow-gpu 版本详细教程_第4张图片在这里插入代码片
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
Anaconda 安装Tensorflow-gpu 版本详细教程_第5张图片

输入:

nvcc -V

Anaconda 安装Tensorflow-gpu 版本详细教程_第6张图片
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

Anaconda 安装Tensorflow-gpu 版本详细教程_第7张图片

3 安装
继续输入代码:

pip install tensorflow-gpu==2.9.0

在这里插入图片描述
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

在这里插入图片描述
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:
Anaconda 安装Tensorflow-gpu 版本详细教程_第8张图片
开始编程,内核选择tensorflow-gpu:
在这里插入图片描述

你可能感兴趣的:(tensorflow,深度学习,python)