（Win10）基于Anaconda的 Tensorflow 1.15.0 安装教程

目录

1.寻找匹配版本

2. 安装CUDA+cuDNN

2.1 安装VS 2017

2.2更新显卡驱动

2.3 CUDA 10.0安装

2.4 cuDDN7.4安装

2.5 环境变量

2.6测试CUDA

3. 创建虚拟环境

3.1 安装Anaconda3 4.3.0

3.2 下载tensorflow1.15.0

3.3 安装Keras 2.3.1

4 在Spyder上进行代码开发

4.1 Spyder安装

4.2 Spyder调用

5. 判断CUDA和GPU是否运行

---

安装若安装CPU版本则无需进行2的操作。

1.寻找匹配版本

最多的坑就是版本匹配问题，各个安装包版本需匹配，要严格按照版本下载安装。

先在下面的网站中找到匹配的软件版本。

Python+CUDA+cuDNN

从源代码构建  |  TensorFlowhttps://tensorflow.google.cn/install/sourcePython+Tensorflow+Keras

Tensorflow和Keras不同版本匹配（运行成功）_TL同学的博客-CSDN博客_tensorflow和keras版本匹配Tensorflw与keras不同版本匹配在使用Keras包时经常因为版本不匹配报错，下面是Tensorflow与Keras各版本的匹配关系:Python版本Keras版本Tensorflow版本Tensorflow版本下载Keras版本下载Python3.7Keras 2.3.1Tensorflow 2.2.0Tensorflow下载Keras下载Python3.6Keras 2.3.1Tensorflow 2.1 Tensorflow 2.0 Thttps://blog.csdn.net/qq_45947969/article/details/109392826整体环境设置为Windows10 + GTX 1050Ti + 显卡驱动456.76 + visual studio Community 2017 + CUDA10.0 + cuDDN7.4 + Anaconda 3 + tensorflow1.15.0 + python3.6 + Keras2.3.1

2. 安装CUDA+cuDNN

2.1 安装VS 2017

登录以下官方网站，下载visual studio Community 2017

Visual Studio: 面向软件开发人员和 Teams 的 IDE 和代码编辑器Visual Studio 开发工具和服务让任何开发人员在任何平台和语言的应用开发都更加轻松。 随时随地免费使用代码编辑器或 IDE 进行开发。https://visualstudio.microsoft.com/zh-hans/

管理员身份打开VS2017，选择“使用C++桌面开发”，下载完成后登录账号

2.2更新显卡驱动

设备管理器中更新显卡驱动程序，打开cmd输入下面的代码查看驱动版本是否大于456.76。

Win+R cmd
cd C:\Program Files\NVIDIA Corporation\NVSMI
nvidia-smi

2.3 CUDA 10.0安装

（1）进入NVIDIA-CUDA官网，依次选择 Windows-x86_64-10-exe(network)或exe(local)

（2）安装采用默认配置，截图记录下面三个安装位置。

2.4 cuDDN7.4安装

（1）进入下面的连接点击“Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 10.0”，再点击“cuDNN Library for Windows 10”

https://developer.nvidia.com/rdp/cudnn-downloadhttps://developer.nvidia.com/rdp/cudnn-download（2）解压后将bin, include, lib 三个文件夹复制到上图CUDA Documentation中。

注意：运行代码时若提示Loaded runtime CuDNN library: 7.4.2 but source was compiled with: 7.6.0，则重新下载cuDNN 7.6.0版本文件，复制粘贴到CUDA Documentation即可。

2.5 环境变量

设置-搜索框搜索环境变量-高级-环境变量，如果下方的系统变量没有CUDA_PATH，则新建：变量名为CUDA_PATH，变量值为图2.5中CUDA Documentation下方路径。

2.6测试CUDA

在命令行中输入(如果自定义了安装路径需要修改该路径)

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\extras\demo_suite

依次打开bandwidthTest.exe和deviceQuery.exe，出现Result=PASS则安装成功。

 

 在命令行中输入  nvcc -V 可以查看版本信息：

3. 创建虚拟环境

3.1 安装Anaconda3 4.3.0

网址：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/

安装过程中一定要勾选PATH；安装路径不能有中文

 修改镜像地址加速下载

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

详细见清华镜像使用帮助

anaconda | 镜像站使用帮助 | 清华大学开源软件镜像站 | Tsinghua Open Source Mirroranaconda 使用帮助 | 镜像站使用帮助 | 清华大学开源软件镜像站，致力于为国内和校内用户提供高质量的开源软件镜像、Linux 镜像源服务，帮助用户更方便地获取开源软件。本镜像站由清华大学 TUNA 协会负责运行维护。https://mirrors.tuna.tsinghua.edu.cn/help/anaconda/

打开 Anaconda Prompt，输入下面代码。此处tsfenv代表虚拟环境的名称，可任意命名。

conda create --name tsfenv python=3.6

若遇到如下问题

 则打开C:\Users，在搜索框搜索condarc文件，用记事本打开后添加如下内容即可解决。

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

激活虚拟环境tsfenv

activate tsfenv

3.2 下载tensorflow1.15.0

升级pip版本（可选）

python -m pip install --upgrade pip

下载tensorflow 1.15.0，可选择下载CPU版本或者GPU版本

pip install tensorflow-cpu==1.15.0
pip install tensorflow-gpu==1.15.0

3.3 安装Keras 2.3.1

安装Keras前需要先把下面三个包安装

pip install numpy
pip install pandas
pip install matplotlib

安装Keras 2.3.1

pip install keras==2.3.1 

4 在Spyder上进行代码开发

将Spyder当作虚拟环境下的一个安装包，安装后调用

4.1 Spyder安装

（1）打开Anaconda Navigator

（2）在下拉列表中选择tsfenv，install Spyder

4.2 Spyder调用

后续每次希望打开基于tsfenv虚拟环境的spyder时，进行如下操作

（1）打开 Anaconda Prompt

（2）激活tsfenv虚拟环境

conda activate tsfenv

（3）打开Spyder

Spyder

即可在Spyder中基于虚拟环境tsfenv进行编程。

5. 判断CUDA和GPU是否运行

运行以下代码：

import tensorflow as tf
a = tf.test.is_built_with_cuda()  # 判断CUDA是否可以用
b = tf.test.is_gpu_available(
    cuda_only=False,
    min_cuda_compute_capability=None
)                                  # 判断GPU是否可以用
print('CUDA:',a)
print('GPU:',b)