深度学习tensorflow环境配置全教程

• 系统：windows
• 编程软件：Pycharm
• 编程语言：python
• 在进行深度学习相关学习过程中运行代码需要对应的tensorflow环境，所查询到的资料大多不够完整，自行整理出教程，以供自己后续参考使用。为便于多个环境的管理，使用的是Anaconda创建一个单独的tensorflow虚拟环境

1. 安装anaconda

1.1 下载anaconda

官网网址，点击图中download即可自动下载
​​

1.2 anaconda 的安装

1. 找到刚刚下载好的文件双击打开，如图,点击next
   
   2）点击I Agree
   
2. 选择"Just Me"或“All Users";(若想为多个用户安装，选择”All Users",若仅为当前用户安装，则选择"Just Me"）
   
   4）设置安装路径，路径名称最好为全英文，点击“next"
   
   5）**！！！**第二个选项的意思是将安装路径添加到系统环境中，有的教程写勾选后会出现问题，官方也会给出红色提示，但我自己安装时勾选了添加路径，大家根据自己需要选择，没选的安装完需要手动添加安装路径，这部分请参考其它教程。

• 其它为默认勾选，然后点击install，等待安装完成。
  

2.安装cuda

2.1 查看电脑cuda版本

• 按下快捷键 Win + R 打开运行>>输入 cmd 回车>>出现如下界面。
• 输入nvidia-smi,查看本机所支持的最高cuda版本（记住这个版本号，安装cuda不可以超过这个版本，否则会出问题，驱动程序号同理）,如图本机支持的最高cuda版本为11.7，驱动程序版本为516.40.

2.2 下载cuda安装包

• 进入cuda官网下载

• 点击“download now"

• 如果自己电脑支持最新cuda，可下载最新版本，但最新版往往不够稳定，建议稍降低版本安装，页面下滑找到cuda曾经版本

• 为避免版本过高，此处我选择11.5.0版本cuda进行下载

• 选择更详细的参数，windows11(根据自己系统版本选择）,exe(local）版本下载

• 找到下载好的文件，双击运行，等待cuda安装完成，需要数分钟。此处不建议改路径，容易找不到cuda，cuda主要是用来做GPU加速的

出现如下界面：

• 系统检查：选择同意并继续
  
• 许可协议：如若未装过，可直接选精简，如以前装过，有其他需求，选自定义，选完后点击下一步

• 选项：我用pycharm作为编译环境，不需要visual studio,因此此处不安装studio，读者可根据文字提示自行选择，勾选理解，点击next

• 等待准备安装并完成，关闭

• 按下快捷键 Win + R 打开运行>>输入 cmd 回车>>出现如下界面
• 输入nvcc -V查看是否安装成功，出现cuda版本即为成功。
  

2.3 安装cudnn

1.根据cudnn官网查看cuda与cudnn版本对应关系（！！！很重要，不可以乱下载，下载时需要一个NVIDA账户，用邮箱注册一个即可。11.x或12.x即为对应数字开头的版本都能适配，除了版本对应，cudnn选择较稳定的版本，例如我下载的为11.5.0版本的cuda,此处选择2022年对应11.x版本的cudnn,不追求最新。本人所要安装的是windows系统，因此下面选择windows版本的安装包。

2.解压压缩包，复制文件夹到cuda文件夹中，会自动对应，cuda默认位置为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5，

3.若出现这一提示，继续即可

3.tensorflow环境配置

1.在网上搜索tensorflow和cuda的对应关系，此电脑安装tensorflow_gpu==2.9.0版本。
win+R打开cmd, 创建tensorflow环境，安装也需要在所创建的环境中，可参考b站视频(【有幸遇见-b站最全最简洁易学的深度学习环境配置教程】 https://www.bilibili.com/video/BV1ov41137Z8/?p=7&share_source=copy_web&vd_source=5d48ca2d6d56e40f0372f613cb602850)进行，下面为文字过程。

1. win+R打开cmd,输入activate，进入base环境
2. conda create -n tf python==3.8，回车，等待安装完成

• 输入conda activate tf ,进入创建的tf环境
• 输入指令：pip install tensorflow_gpu==2.9.0 -i https://pypi.douban.com/simple可自行修改镜像源链接
• 如果进行神经网络的训练，大部分要用到gpu，一定要安装tensorlow_gpu而不是tensorflow,即指令中tensorflow_gpu ==xx, 而不是tensorflow ==xx为,否则会不支持gpu
  
  
  

4.测试tensorflow环境

• 从pycharm中找到刚刚创建的tensorflow环境，flie——settings——python interpreter——add

• 如果找不到，在cmd中用conda env list列出本机conda创建的虚拟环境所在位置，如图，找到tf所在位置，在pycharm中选择该环境进行代码测试。

• 新建一个py文件，在创建的tf环境下运行如下测试代码（也可以自行搜索其它测试代码）

from tensorflow.python.client import device_lib

# 列出所有的本地机器设备
local_device_protos = device_lib.list_local_devices()
# 打印
# print(local_device_protos)

# 只打印GPU设备
[print(x) for x in local_device_protos if x.device_type == 'GPU']

• 运行完成后出现如下自身显卡信息则证明gpu调用成功，tensorflow环境搭建完成!
• -看到这里，如果成功运行了请给我一个免费的赞吧，这对我真的很重要！！！
• 如果不成功请留下你的问题，我会尽量帮忙的！
  祝大家学习愉快！