【Windows下搭建深度学习环境之TensorFlow篇】一气呵成，五步搞定TensorFlow的安装！TensorFlow的安装之路
TensorFlow的安装之路
- 0 安装前须知
- 1 安装Anaconda
-
- 1.1 什么是虚拟环境？
- 1.2 安装Anaconda具体步骤
- 1.3 添加环境变量（系统变量）
- 1.4 修改Conda库和pip库的安装源
- 2 创建虚拟环境
- 3 安装CUDA
-
- 3.1 查看显卡驱动信息
- 3.2 CUDA版本对显卡驱动的要求
- 3.3 安装CUDA具体步骤
- 3.4 CUDA环境变量的添加
- 3.5 查看CUDA的版本
- 4 安装cuDNN
-
- 4.1 安装cuDNN具体步骤
- 4.2 查看cuDNN的版本
- 5 安装TensorFlow
-
- 5.1 创建虚拟环境并激活
- 5.2 TensorFlow的安装命令
- 5.3 安装TensorFlow具体步骤
- 5.4 测试TensorFlow是否安装成功
- 6 写在最后
安装
TensorFlow前，最好按照上述目录这个顺序来操作，即安装 Anaconda，创建虚拟环境，安装 CUDA，安装 cuDNN，安装 TensorFlow，五步走。本文教程主要适合用 gpu跑深度学习的同学，用 cpu跑深度学习的同学可移步至其他文章。
搭建深度学习环境只需要记住一点， 版本匹配！ 版本匹配！ 版本匹配！重要的事情说三遍！
0 安装前须知
首先，什么是TensorFlow？TensorFlow是一种深度学习框架，这个框架里有很多已经写好的模块（包）可以让用户来调用，实现不同的操作。或者说，TensorFlow是一个工具。
TensorFlow有不同的版本，不同版本的TensorFlow对编译器（即Python的版本）和驱动要求不一样。
先搞清楚一个事情，你是用
CPU跑深度学习还是GPU跑深度学习。
如果你用cpu跑深度学习，只需要考虑Python版本。
如果你用gpu跑深度学习，则需要考虑Python版本、CUDA版本、cuDNN版本。
（这里简单提一嘴，CUDA是显卡厂商NVIDIA推出的运算平台，cuDNN是NVIDIA的一个用于深度神经网络的GPU加速库。反正就是如果你要用NVIDIA显卡跑深度学习的话，需要下载CUDA和cuDNN驱动）
目前，TensorFlow的cpu版本除了1.0.0和1.1.0要求python的版本是3.5，其他版本从1.2.0一直到2.6.0，都能兼容python3.6。所以我们一般python使用3.6这个最经典兼容性最好的版本，具体的tensorflow==x.x.x各版本对Python的要求，大家可以自行去TensorFlow中文官网查看。TensorFlow中文官网：https://tensorflow.google.cn/install/source_windows?hl=zh-cn
tensorflow-gpu==2.x.x各版本对于cuDNN和CUDA的要求
| 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-2.6.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 |
| tensorflow_gpu-2.5.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 |
| tensorflow_gpu-2.4.0 | 3.6-3.8 | MSVC 2019 | Bazel 3.1.0 | 8.0 | 11.0 |
| tensorflow_gpu-2.3.0 | 3.5-3.8 | MSVC 2019 | Bazel 3.1.0 | 7.6 | 10.1 |
| tensorflow_gpu-2.2.0 | 3.5-3.8 | MSVC 2019 | Bazel 2.0.0 | 7.6 | 10.1 |
| tensorflow_gpu-2.1.0 | 3.5-3.7 | MSVC 2019 | Bazel 0.27.1-0.29.1 | 7.6 | 10.1 |
| tensorflow_gpu-2.0.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 |
tensorflow-gpu==1.x.x各版本对于cuDNN和CUDA的要求
| 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-1.15.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 |
| tensorflow_gpu-1.14.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.24.1-0.25.2 | 7.4 | 10 |
| tensorflow_gpu-1.13.0 | 3.5-3.7 | MSVC 2019 | Bazel 0.19.0-0.21.0 | 7.4 | 10 |
| tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7.2 | 9.0 |
| tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
1 安装Anaconda
不是说安装TensorFlow吗？Anaconda是个什么东西？官方给的解释是Anaconda是一个开源的Python发行版本。我们不管它是个啥，我们要用的是它里面的一个工具叫Conda，Conda是一个辅助进行包管理和环境管理的工具，我们需要用它来创建Conda虚拟环境。
这里先说一个事情。首先，不同的深度学习项目对于深度学习环境的要求不同。我们在搞深度学习研究的时候，肯定不能所有的项目都只用一个深度学习环境。就好比你不能在厕所吃饭，不能在卧室撒尿一样。
我们需要创建几个虚拟环境，就像建几个房子或场所一样，便于我们在不同的地点，做不同的深度学习项目。
—————————————————————————————————
1.1 什么是虚拟环境？
先来理解一下什么是虚拟环境？
我举个例子，假如说你现在有三个深度学习项目，分别是吃饭、睡觉、学习。你吃饭要去食堂，睡觉要在宿舍，学习要去图书馆。其中食堂、宿舍和图书馆就可以理解为三个虚拟环境。
食堂里的食物、餐具等；宿舍里的床、被子等；图书馆里的桌子、书等；这些都是虚拟环境中的模块（库或包，像python、tensorflow）。
对于不同的深度学习项目，我们要给他配合适的虚拟环境，让它在这个环境中运行代码。
我们说的**tensorflow版本不匹配，报错**就好比我的深度学习项目是吃饭，你给我配了一个图书馆的环境，里面是桌子和书，我肯定执行不了。
举了一个不是特别恰当的例子来帮助大家理解虚拟环境，希望有助于大家理解创建虚拟环境的重要性。
如下表所示，是三个虚拟环境以及它们里面的部分具体包的展示。
| 虚拟环境名字 | 包 |
|---|---|
| tf2.6 | python3.9、tensorflow-gpu2.6.0等 |
| tf2.0 | python3.6、tensorflow-gpu2.0.0、pip21.2.4等 |
| tf1.1 | python3.7、tensorflow1.1.15等 |
—————————————————————————————————
1.2 安装Anaconda具体步骤
建议大家从清华大学开源软件站下载Anaconda。
清华大学开源软件站：https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/
32位操作系统下载Anaconda3-20xx.xx-Windows-x86.exe
64位操作系统下载Anaconda3-20xx.xx-Windows-x86_64.exe
注意，有人反馈用最新的Anaconda创建虚拟环境和安装包时，可能会报奇怪的错误。建议大家在下载的时候不要下载最新的Anaconda，下载稍微旧一点的。
1.3 添加环境变量（系统变量）
在命令提示符中输入control system，弹出设置界面。
依次单击高级系统设置-环境变量-Path-编辑。
然后单击新建-浏览，将下面四个路径添加到环境变量。
D:\Software\Anaconda3
D:\Software\Anaconda3\Scripts\
D:\Software\Anaconda3\Library\bin
D:\Software\Anaconda3\Library\mingw-w64\bin
这里注意一下
Anaconda3的路径，每个人安装Anaconda3的路径可能不同，添加你自己Anaconda3的路径，别无脑复制！
1.4 修改Conda库和pip库的安装源
指定Conda库的安装源
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
查看Conda库的安装源
conda config --show channels
修改pip库的安装源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
查看pip库的安装源
pip config list
2 创建虚拟环境
虚拟环境的操作都在命令提示符中执行。
在安装Tensorflow之前，我们先来搞清楚如何创建一个虚拟环境。
创建虚拟环境
conda create -n 环境名 python=X.X
激活虚拟环境
activate 环境名
盘符C：前面的（Mytensorflow2.0）表示我们当前已经进入这个虚拟环境中。
退出虚拟环境
conda deactivate
删除虚拟环境
conda remove -n 环境名 --all
安装指定包
conda install -n 环境名 包名
删除指定包
conda remove --name 环境名 包名
3 安装CUDA
CUDA：NVIDIA的运算平台。
- 确定你要下载的TensorFlow要求的CUDA版本。
- 从CUDA官网下载相应的版本。https://developer.nvidia.com/cuda-toolkit-archive
由于CUDA的不同版本对显卡驱动的版本是有要求的，所以我们需要先了解显卡驱动信息以及不同版本的CUDA对显卡驱动的最低要求。
3.1 查看显卡驱动信息
打开NVIDIA 控制面板，单击帮助-系统信息
3.2 CUDA版本对显卡驱动的要求
CUDA版本对显卡驱动的最低要求：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html，不满足要求的先去更新显卡驱动。
NVIDIA 驱动程序下载：https://www.nvidia.cn/Download/index.aspx?lang=cn
3.3 安装CUDA具体步骤
下载CUDA的时候，注意安装类型选exe（local）。
下载完成后，打开下载的CUDA，选择解压路径。
单击同意并继续。
选中自定义，单击下一步。
只勾选CUDA即可，单击下一步，之后的步骤都是单击下一步，直至完成安装。
3.4 CUDA环境变量的添加
将下面的两个路径添加到环境变量中的系统变量的Path中，具体添加方法参照本文1.3部分的内容，此处不再赘述。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\libnvvp
3.5 查看CUDA的版本
在命令提示符中执行如下命令即可看到CUDA的版本。
nvcc --version
至此，CUDA安装完毕。
4 安装cuDNN
- cuDNN：NVIDIA的深度神经网络的GPU加速库。
- 从cuDNN官网下载相应的版本。
4.1 安装cuDNN具体步骤
下载并解压cuDNN，得到如下图的三个文件夹和一个.txt文件。
将所有的文件复制到CUDA的安装目录下，我这里的路径是：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0
供大家参考，直接粘贴到这个v10.0的文件夹就行。
4.2 查看cuDNN的版本
进入如下目录，找到cudnn.h文件并打开。（如果找不到cudnn.h文件，可以找cudnn_version.h）
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0\include
如图所示，我所安装的cuDNN版本是7.4.1。
至此，cuDNN安装完毕。
5 安装TensorFlow
完成了以上的所有工作后，安装TensorFlow就似乎很容易了。
5.1 创建虚拟环境并激活
具体操作可参考第2部分的内容，此处不再赘述。接下来我用自己前面创建好的虚拟环境Mytensorflow2.0来演示。
5.2 TensorFlow的安装命令
CPU版本的tensorflow
pip install tensorflow==x.x.x -i https://pypi.tuna.tsinghua.edu.cn/simple
GPU版本的tensorflow
pip install tensorflow-gpu==x.x.x -i https://pypi.tuna.tsinghua.edu.cn/simple
注意，这里
-i https://pypi.tuna.tsinghua.edu.cn/simple的意思是：指定库的安装源，即指定从清华大学开源软件镜像站下载tensorflow。因为从tensorflow官网(www.tensorflow.org)下载速度很慢，这里不再作过多的赘述。如果你在本文1.4中已经修改过库的安装源，则无需再指定库的安装源-i https://pypi.tuna.tsinghua.edu.cn/simple。
5.3 安装TensorFlow具体步骤
首先，进入虚拟环境Mytensorflow2.0。
我目前这台机器的CUDA是10.0，cuDNN是7.4.1，这个虚拟环境的Python是3.6，通过版本匹配，我知道能下载的tensorflow的版本是1.13.0、1.14.0、1.15.0和2.0.0。
执行下述安装命令，等待安装。
pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
5.4 测试TensorFlow是否安装成功
进入python，当左边显示>>>这个符号是，表示我们已经运行了python编译器。然后，我们用两行代码查看TensorFlow版本：
import tensorflow
print(tensorflow.__version__)
至此，TensorFlow安装完毕。
6 写在最后
由于本文写作较为仓促，用了两三天时间系统整理了一下搭建TensorFlow深度学习环境的过程。如有错误之处，欢迎大家批评指正。也欢迎各位同仁在评论区提出意见，多多交流，感谢各位！