Tensorflow-gpu-2.7.0安装教程和接入PyCharm（学生党详细教程，win10，Anaconda3，python3.9）

Tensorflow-gpu-2.7.0安装教程和接入PyCharm（学生党详细教程，win10，Anaconda3，python3.9）

目录

前言 

安装前的必要工作！！！一定要看！！！

一、查看自己电脑的显卡： 

 二、Anaconda的安装

三、CUDA下载与安装

四、cuDNN下载和安装

五、创建tensorflow环境

六、测试Tensorflow-gpu是否安装成功

---

前言 

Tensorflow有cpu和gpu之分，一般你的电脑上要是有GPU（也就是显卡）推荐安装GPU版本的，这样相对于cpu版本而已，运行速度更快！ 

本次教程主要是GPU版本，需要提前下载对应的cuda和cudnn。

安装前的必要工作！！！一定要看！！！

查看tensorflow-gpu与Python与cuda与cudnn的版本关系，一定要一一对应

→打开Tensorflow版本关系查询

​

我安装环境与版本如下：

操作系统	显卡	Python	tensorflow-gpu	CUDA	cuDNN
win10	NVIDIA GeForce GTX 1650	3.9.13	2.7.0	11.5.2	8.3.2

注：我这个对应关系是别人安装成功的，一定不要自己随意组合，可以安装我的或者官网查询的组合安装，过程都是一样的！

一、查看自己电脑的显卡： 

1.  右键此电脑→管理→设备管理器→显示适配器
      我的显卡为：NVIDIA GeForce GTX 1650

 2. 查看自己需要安装的CUDA，同时按住win+r，输入cmd，打开命令窗口，输入：

nvidia-smi

 这里与我显卡相匹配的CUDA版本是12.0

注：CUDA安装的版本可以比相匹配的低，但不能高！

 二、Anaconda的安装

安装tensorflow提前安装好Anaconda。去官网下载最新版本的，比较简单不详细说了

Anaconda官网、清华镜像站

 

 

 

然后安装即可 

三、CUDA下载与安装

下载CUDA和cuDNN。

1.CUDA的下载：https://developer.nvidia.com/cuda-toolkit-archive
注：小技巧，网址打开慢打不开，可以把com换成cn试试

 

 2. 双击安装包打开，这是临时解压位置，默认即可，会自动删除

 同意并继续

 选择自定义安装

 把这个取消勾选

 全部展开，右边大于左边的全部取消勾选

 剩下的就是一直继续，直到安装成功，装在哪里了要记得

3. 配置环境变量

右键此电脑→属性→高级系统设置→环境变量
这几个要有

打开Path
 

 配置好后，检查一下是否安装成功。

4.打开cmd，输入指令

nvcc -V

这就代表成功了

四、cuDNN下载和安装

1.下载地址：https://developer.nvidia.com/rdp/cudnn-archive
注：小技巧，网址打开慢打不开，可以把com换成cn试试

往下滑，找到v8.3.2 for CUDA 11.5

 下载第二个Windows系统 zip格式的

 2.下载好后解压

 把这四个文件和文件夹全部复制，然后粘贴到CUDA\v11.5文件夹目录下
需要覆盖的要选择同意覆盖

 然后打开cmd，进入CUDA安装路径下CUDA\v11.5\extras\demo_suite

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\extras\demo_suite

分别执行以下两条命令：

.\bandwidthTest.exe

.\deviceQuery.exe

 

 

 两个都是PASS，则配置成功！

五、创建tensorflow环境

1.打开Anaconda Prompt

 2.创建一个虚拟环境，输入命令：

conda create -n tensorflow python=3.9

表示创建一个名为tensorflow的环境，用的python版本为3.9

3.创建成功后，输入命令：conda env list，可以看到tensorflow环境已经创建，星号为当前所在环境（基础环境base）

conda env list

 4.进入环境，输入命令：activate tensorflow，就可以进入tensorflow环境中

activate tensorflow

 5.安装对应版本的tensorflow-gpu
 

pip install tensorflow-gpu==2.7.0 -i  https://pypi.mirrors.ustc.edu.cn/simple  

 6. 先输入python，打开python环境，导入tensorflow包进行测试 ，查看tensorflow的版本信息, 输入命令：

python

import tensorflow as tf

• 如果导入包有以下报错（没有报错请忽略！）：

        

• 以下方法可以解决上述报错，输入exit()退出python环境导入以下包：

  exit()

  pip install protobuf==3.19.0 -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn
  

  然后重新输入python进入python 环境，查看tensorflow的版本信息, 分别输入命令：

• import tensorflow as tf

• tf.__version__
  

• 

六、测试Tensorflow-gpu是否安装成功

1. 打开Anaconda，选择tensorflow环境，打开spyder，第一次打开需要安装Spyder，直接点下方的install即可。（第一次打开稍微会慢点）
   

 2.输入以下代码测试：

import tensorflow as tf

print(tf.__version__)
print(tf.test.gpu_device_name())
print(tf.config.experimental.set_visible_devices)
print('GPU:', tf.config.list_physical_devices('GPU'))
print('CPU:', tf.config.list_physical_devices(device_type='CPU'))
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())
# 输出可用的GPU数量
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
# 查询GPU设备

 出现版本号和True，则表示GPU可以使用，接下来测试下GPU和CPU的速度，输入以下代码：

import tensorflow as tf
import timeit
 
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(cpu_a, cpu_b)
    return c
 
#指定在gpu上运行 
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000, 1000])
        gpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(gpu_a, gpu_b)
    return c

cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print("cpu:", cpu_time, "  gpu:", gpu_time)

差别还是挺大的 

七、接入Pycharm

1.文件→设置

 2.

 3.

 4.选择Anaconda目录下的python.exe

 5.测试

import tensorflow as tf

print(tf.__version__)

注：个人安装，如有不足，欢迎指正