win10/win11系统安装Tensorflow-GPU

版本信息确认

Tensorflow-GPU的安装对版本要求很高,在下载之前一定要将电脑自带显卡、pythonCUDAcuDNN的版本信息核对清楚。以我自己笔记本为例:

显卡NVIDIA GeForce RTX 3060 Laptop GPU

Python我电脑安装了两个版本,分别是anaconda环境下3.9以及自己下载的3.10,按需使用;

CUDA根据NVIDIA控制面板查阅自己显卡支持的最高版本CUDA,我的显示是CUDA11.4CUDA版本向下兼容,考虑到Tensorflow-GPU目前的最新版本最高支持到CUDA11.2,因此CUDA选择11.2版本即可;

cuDNN根据CUDA11.2,选择对应版本的cuDNNcuDNN8.1

Tensorflow-GPU官网查看版本对应关系

官网链接:https://tensorflow.google.cn/install/source_windows?hl=en#gpu

win10/win11系统安装Tensorflow-GPU_第1张图片

查看显卡信息 

右键我的电脑打开管理,选择设备管理器,打开显示适配器,就能看到显卡信息。

win10/win11系统安装Tensorflow-GPU_第2张图片

Python信息与安装 

关于python的安装还有anacondapython的安装,网上教程很多,我就不展开介绍了,如有疑问,可以私信我或者评论留言。

CUDA信息查看与安装

首先检查显卡驱动:配有显卡的笔记本一般自动安装最新显卡驱动了,不用更换。

针对独立显卡,通过打开命令提示符cmd输入nvidia-smi能够查看到下图信息就说明你电脑的显卡驱动已经安装好了。并且根据提示框显示,能够看到显卡支持的最高版本CUDACUDA11.4

win10/win11系统安装Tensorflow-GPU_第3张图片

若是查不到显卡信息,需要安装显卡驱动,这部分内容参考我另篇文章有介绍。链接如下:

(2条消息) Win10搭建GPU版Darknet——VS2019+CUDA+CUDNN篇_小刘今天开心了嘛的博客-CSDN博客_win10安装darknet

下载CUDA的链接:CUDA Toolkit Archive | NVIDIA Developer

为了匹配Tensorflow-GPU,这里我选择下载CUDA11.2版本。下载完成后,安装的时候最好关上防火墙。打开安装文件,管理员运行会出现下图,这是临时解压目录,默认即可。

win10/win11系统安装Tensorflow-GPU_第4张图片

一共会设置两次解压目录,分别为临时解压目录安装目录。临时解压路径默认即可,不用管它。安装结束后,临时解压文件夹会自动删除;安装目录路径建议默认 (注:临时解压目录与安装目录的安装路径不能设置一样,否则安装结束后会找不到安装目录),选择安装目录时要注意记录安装路径,后面配置环境变量还会用到。

进入安装界面后,系统检查、许可协议默认就行,安装选项自定义。如下图,打开看到下面两项我当前版本高于新版本,所以就取消勾选,这个按自己实际安装情况来选择就行。 

win10/win11系统安装Tensorflow-GPU_第5张图片

接着就到了选择安装位置这步了,这里建议默认路径,并将路径记录下来。紧接着后面下一步安装即可。到这里CUDA就安装完成了。 

win10/win11系统安装Tensorflow-GPU_第6张图片

 安装完成后,需要检查环境变量并添加新的环境变量。计算机上点右键,打开属性”->“高级系统设置”->“环境变量,能够看到系统变量里新增了以下4个变量。

win10/win11系统安装Tensorflow-GPU_第7张图片

接着编辑系统变量下的Path变量,添加以下4个变量,如下图绿框显示。红框路径是安装完CUDA自动生成的。找文件夹可以使用之前记录的安装路径:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib\x64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp

 win10/win11系统安装Tensorflow-GPU_第8张图片

win10/win11系统安装Tensorflow-GPU_第9张图片 

可以通过Win+R打开命令行输入cmd,输入nvcc -V查看是否安装成功。安装成功如图所示: 

win10/win11系统安装Tensorflow-GPU_第10张图片

cuDNN信息查看与安装 

关于cuDNN的介绍,在我另一篇文章里有写。这里主要记录其安装方式。官网下载需要注册等步骤,比较麻烦时间还长,这里再给出下载链接:

链接:cmd

直接在下图中找到与自己CUDA版本匹配的cuDNN版本,点开发现有很多不同操作系统下的cuDNN,我的是windows操作系统,按自己系统选择就行。

win10/win11系统安装Tensorflow-GPU_第11张图片

win10/win11系统安装Tensorflow-GPU_第12张图片 

下载完成后,将压缩包解压。打开解压后的文件,打开之前记录的CUDA文件路径…:\......\NVIDIA GPU Computing Toolkit\CUDA\v11.2文件夹。与cuDNN目录进行比对: 

win10/win11系统安装Tensorflow-GPU_第13张图片

cuDNN文件夹的binincludelib.txt的内容复制到CUDA对应文件夹内。 

win10/win11系统安装Tensorflow-GPU_第14张图片

win10/win11系统安装Tensorflow-GPU_第15张图片

win10/win11系统安装Tensorflow-GPU_第16张图片 win10/win11系统安装Tensorflow-GPU_第17张图片

检查是否安装成功:打开CUDA安装路径…:\...\NVIDIA GPU Computing Toolkit \ CUDA \v 11.2,找到extras\demo_suite文件夹。 

win10/win11系统安装Tensorflow-GPU_第18张图片

通过“Win+R打开命令行输入cmd后,cd到安装目录下的demo_suite,然后分别执行bandwidthTest.exedeviceQuery.exe,成功的话会得到下图:

win10/win11系统安装Tensorflow-GPU_第19张图片

win10/win11系统安装Tensorflow-GPU_第20张图片

 Tensorflow-GPU的安装

安装Tensorflow-GPU有两种方式:一是自己安装的python,这种直接到目标文件夹下,鼠标右键点击在终端中打开pip安装即可。

安装语句:pip install tensorflow-gpu -i http://pypi.douban.com/simple

我是在清华镜像源下载的,没有指定版本按最新版本下载,切记要与CUDA版本对应。

下面给出几个镜像源:

清华镜像:Simple Index

中科大镜像:https://pypi.mirrors.ustc.edu.cn/simple

豆瓣镜像:http://pypi.douban.com/simple

阿里镜像:https://mirrors.aliyun.com/pypi/simple

百度镜像:https://mirror.baidu.com/pypi/simple

win10/win11系统安装Tensorflow-GPU_第21张图片

win10/win11系统安装Tensorflow-GPU_第22张图片

在pycharm中新建.py文件,测试Tensorflow-GPU是否安装成功,代码如下: 

import tensorflow as tf
print(tf.test.is_built_with_cuda())
#若输出为true则表示cuda安装成功
print(tf.config.list_physical_devices('GPU'))
#若输出为true则表示能够使用gpu
print(tf.test.is_gpu_available())

如果输入结果显示如下,说明Tensorflow-GPU安装成功。

win10/win11系统安装Tensorflow-GPU_第23张图片

中间红色的警告部分,根据我在网上查阅的资料,并不是报错。

下面是运行过程出现的问题,从下面图可以看出来。显示缺少很多dll文件。

win10/win11系统安装Tensorflow-GPU_第24张图片

 解决办法:找到CUDA安装路径下的bin文件夹:…:\...\NVIDIA GPU Computing Toolkit \ CUDA\ v11.2\bin文件夹,从中找到报错提示信息缺失的.dll文件,然后根据报错提示将相应dll文件复制到文件夹C:\Windows\System中,就解决啦。

win10/win11系统安装Tensorflow-GPU_第25张图片win10/win11系统安装Tensorflow-GPU_第26张图片

 完结完结!

有问题可以评论或私信留言~

 

你可能感兴趣的:(机器学习GPU环境配置)