TensorFlow-GPU框架详细安装

此文介绍如何安装TensorFlow-GPU（2.1.0版本）

安装步骤

• 常用IDE安装
• CUDA安装，cuDNN神经网络加速库安装
• TensorFlow框架安装

1.常用IDE安装
用户在Python官网上可以下载到最新版本（Python3.7）的解释器。同时，目前有许多优秀的集成开发环境（IDE）可供用户选择。由于Anaconda集成了Python解释器以及开发环境、交互式命令终端等，还集成了许多常用的Python库，此文将使用Anaconda作为IDE，搭建我们的TensorFlow框架。
打开Anaconda的下载页，选择正确的系统，选择Python最新版本的下载链接即可开始下载。

下载完成后，我们打开Anaconda的安装包，一直点击next/I agree。在出现下图所示页面时（现在是Python3.7，用的是之前的图片），勾选“Add Anaconda to my PATH environment variable”。

2.CUDA安装，cuDNN神经网络加速库安装
CUDA是基于NVIDIA显卡的加速库，安装它以利于深度学习框架在NVIDIA的GPU显卡的加速运算。但在我们开始安装CUDA之前，请先确认计算机上是否有支持CUDA程序的NVIDIA显卡设备。如果计算机上没有NVIDIA显卡，则无法安装CUDA程序，应直接进入TensorFlow框架的安装。
CUDA的安装主要分成三个步骤。第三步：配置环境变量。

第一步：下载CUDA安装包，完成CUDA软件的安装
我们进入CUDA软件下载页 ，（CUDA下载页）选择
CUDA Toolkit 10.2, Online Documentation，点击之后依次选择Operating System，Version选择10，Installer Type选择exe（local），点击Download开始下载。
（TensorFlow2.1.0匹配的是10.1版本的CUDA Toolkit，下载10.2版本，在后续TensorFlow框架的安装会出错，提示找不到动态链接库文件的信息，可将缺少的动态库名称连接改名处理）

安装包下载完毕后，打开安装软件，在选项中选择自定义安装方式，点击NEXT按钮进入安装程序选择列表。 在CUDA选项卡下，取消勾选“Visual Studio Intergration”一项。（这是因为我们并没有使用Visual Studio开发环境）在“Driver Components”选项卡下，比较当前版本信息和安装版本信息。若当前版本高于安装版本，则取消勾选“Display Driver”；若当前版本低于或等于安装版本，保留默认信息安装即可。

安装完毕后，我们来测试一下CUDA是否安装成功。键入Win+R打开Windows命令提示符，键入nvcc -V，即可返回当前CUDA的版本信息。如果Windows命令提示符无法识别nvcc命令，则说明安装失败。（同时也可搜索CUDA的安装目录，找到“nvcc.exe”程序）

第二步：下载并配置cuDNN深度神经网络加速库；
CUDA并非针对于神经网络加速的GPU加速库，如果希望针对神经网络进行加速，我们还需要安装额外的神经网络加速库cuDNN。cuDNN解压到CUDA的bin目录下即可。
打开cuDNN的下载页(cuDNN下载页），选择“Download cuDNN”。请注意，若要下载cuDNN，必须先登录NVIDIA的账户。因此，用户需要登录或者注册NVIDIA用户才可下载cuDNN。登录账户后，进入cuDNN的下载界面，勾选“I Agree To the Terms of the cuDNN Software License Agreement”，即可显示cuDNN的下载版本选项。（请注意：我们一定要选择与安装的CUDA版本相匹配的cuDNN，即选择Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1）

下载完成后，我们将其解压，并将里面的cuda文件夹重命名为cudnn765，复制到CUDA的安装目录下。此处可能弹出需要管理员权限的提示信息，点击继续即可。

第三步：环境变量配置

回到桌面，点击“此电脑”，右键选择“属性”，在“控制面板主页”中选择“高级系统设置”，在弹出的对话框中点击“环境变量”，进入环境变量编辑对话框。

在“系统变量”一栏中找到Path变量，点击“新建”，键入cuDNN的安装路径“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn765\bin”。

CUDA安装完毕后，系统环境变量应包括：“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn765\bin”；“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin”；“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp”。具体位置可能随着安装目录的不同而不同。确认无误后点击“确定”，退出环境变量的配置对话框。

3.TensorFlow安装
TensorFlow的安装同许多Python库一样，使用pip命令即可安装。使用pip命令之前，我们可以键入Win+R打开Windows命令提示符，键入pip -V查看当前pip的版本，如果版本过低，可以键入Python -m pip install --upgrade pip命令更新。
安装TensorFlow时，我们需要根据计算机是否有NVIDIA的GPU显卡来选择安装性能更强的GPU版本或者性能一般的CPU版本。
国内利用pip命令下载安装经常会遇到下载速度很慢甚至连接断开、响应超时等导致安装失败的情况。这时，我们可以选择国内的镜像配置pip源，仅需要在“pip install”命令后加入“-i 源地址”即可。
现在我们利用国内清华源安装TensorFlow的最新版本。
键入Win+R打开Windows命令提示符，键入“pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple”，此命令将会自动下载TensorFlow并安装。“-U”参数指定如果已安装此包，则进行升级命令。

现在我们来测试TensorFlow2.1.0版本是否已经安装成功。键入Win+R打开Windows命令提示符，键入ipython打开Python交互式命令终端。键入“import tensorflow as tf”命令，若无错误提示信息，键入“tf.config.list_physical_devices(‘GPU’)”命令或者“tf.test.is_gpu_available()”命令。此命令会返回一系列以“I”（Information）开头的信息，其中含有可用的GPU显卡设备信息。此命令最终会返回“True”或“False”（键入的是“tf.test.is_gpu_available()”命令）。如果为“True”，则代表TensorFlow的GPU版本安装成功。若返回的是“False”，则说明安装失败，需要重新检测CUDA，cuDNN的安装及其环境变量的配置。注意看返回的错误信息，重点检测是否是CUDA和cuDNN的版本与TensorFlow的版本不匹配。
TensorFlow的GPU/CPU版本安装完成后，键入Win+R打开Windows命令提示符，键入ipython打开交互式命令终端，键入“tf.__version__”（注意是双下划线）即可查看TensorFlow版本信息。