Tensorflow2.X的GPU版框架最快最稳搭建方法

一、环境基础

        Windows10以上
        已装Anaconda
        支持GPU

二、搭建步骤

1. 在Anaconda中创建并进入虚拟环境

conda create -n envname python=3.8

conda activate envname

 注意：envname 替换为你自己想命名的，下文将以“Ljdenv”出现

2.安装tensorflow-gpu

情况1：直接 pip install tensorflow-gpu 成功，可直接跳至2.3

情况2：通过pip install tensorflow-gpu 如果失败(常见2.3之前的版本)，最快最稳的方式为下载 .whl文件，通过命令在conda中进行安装。本文以安装 tensorflow-gpu 2.2.2 为例，且不建议读者替换为其他版本。
点此下载tensorflow-gpu 2.2.2 的 .whl 安装文件，并将其放于E盘(个人路径也可，安装后可删除)
其他 tensorflow-gpu 版本的 .whl 参考该链接， 但相关依赖包版本请自行测试。
如下为下载 .whl 后操作过程，在 Anaconda 的终端进行

2.1 将路径切换至E盘

2.2 在Anaconda终端，安装 tensorflow-gpu.whl文件

pip install tensorflow_gpu-2.2.2-cp38-cp38-win_amd64.whl

 注意：该命令完成后，所带安装的主要依赖包为 numpy==1.18.X

2.3 安装cuda相关依赖包

本步骤前需要先查看个人计算机的CUDA版本，如下图。安装的cuda相关依赖包< 个人计算机支持的CUDA 版本 即可。本人的CUDA版本如下，可安装11.8以下的cuda依赖。
tensorflow-gpu,cudatoolkit,cudnn版本对应关系

conda install cudatoolkit=10.1 cudnn=7.6.5  #conda命令

2.4 安装 protobuf 3.20 ，如果遇到超时报错，请参考此文解决

conda install protobuf==3.20

3. 检查是否能正常启动 

在Anaconda终端中依次执行如下命令

python   #conda环境

import tensorflow as tf

print(tf.test.is_gpu_available())  #显示True为正常启动GPU

 如下图所示

至此，完成tensorflow-gpu安装

三、安装其他重要依赖包（如有需要）

pip install numpy==1.18 pandas scipy scikit_image matplotlib  

注意：一定要以numpy==1.18开头，后面的pandas、scipy等包都会以numpy1.18 自动安装适应版本。否则，容易出现包冲突。

参考

http://t.csdnimg.cn/JPIS4