快速构建 Tensorflow GPU 开发环境（Ubuntu / macOS）- 2023年
文章目录
- 安装 Anaconda / Miniconda
- 安装 Nivida GPU 驱动
- 安装 cudatoolkit 和 cudnn
- 设置环境变量
- 安装 Tensorflow
- 测试 GPU 是否开启成功
- Apple M1 / M2 安装 GPU 支持
- Pytorch GPU 支持
2019 年写了一篇《一条命令构建 Tensorflow 开发环境》，使用 conda install tensorflow-gpu 可以自动安装 cudatoolkit、cudnn、tensorflow-gpu，非常方便入门同学搭建 Tensorflow GPU 开发环境，不折腾。
2023 年，tensorflow-gpu 已经合并到 tensorflow ，Apple 的 M1 / M2 系列芯片也支持 Tensorflow / Pytorch 加速了，重新写一篇记录一下如何快速搭建 Tensorflow GPU 开发环境，方便刚入门的同学。
以下的指南适用于：tensorflow 2.12、python 3.10
安装 Anaconda / Miniconda
Miniconda 是 Anaconda 的精简版本，只保留了 Conda 和 Python，比 Anaconda 简洁。安装 Miniconda 可以使用“清华镜像“。
安装 Nivida GPU 驱动
Ubuntu 上最简单的 Nivida GPU 驱动安装方法是通过 apt 的第三方源 PPA。
# 添加 ppa 显卡驱动源
sudo add-apt-repository ppa:graphics-drivers/ppa
sudo apt update
# 查看可用的驱动版本
ubuntu-drivers devices
# 安装指定版本的驱动
sudo apt install nvidia-driver-530
# 重启后，检查是否安装成功
nvidia-smi
Tips:
有的教程指出：使用sudo ubuntu-drivers autoinstall可以自动选择合适的版本进行安装。这种方式在 2023 年已经被弃用了。执行ubuntu-drivers --help将看到以下提示：Commands: autoinstall Deprecated, please use "install" instead
安装 cudatoolkit 和 cudnn
按照官方的指南安装 cudatoolkit 和 cudnn 很费劲，使用 conda 来安装就轻松多了。
安装时，需注意预编译的 tensorflow 和 cudnn、cudatoolkit 之间的版本关系。 对 tensorflow 2.12.0，官方预编译版本要求：cudnn 8.6+，cudatoolkit 11.8。conda 上 cudatoolkit 和 cudnn 的版本并不完整，经测试可以匹配的版本是：cudnn 8.8 和 cudatoolkit 11.8。
使用 conda 安装 cudatoolkit 时不会安装 nvcc 和 cupti，会导致 XLA 加速库调用失败，显示错误信息：InternalError: libdevice not found at ./libdevice.10.bc。可以通过安装 cuda-nvcc 及 cuda-cupti 并设置 XLA_FLAGS 来解决这个问题。
使用以下命令安装以上各个包：
conda install -c conda-forge cudatoolkit=11.8 cudnn=8.8
conda install -c nvidia cuda-nvcc=11.8 cuda-cupti=11.8
Tips: Tensorflow与Python、CUDA、cuDNN的版本对应表
设置环境变量
必须正确设置 LD_LIBRARY_PATH 指向 cudnn library 的目录；并设置 XLA_FLAGS
export LD_LIBRARY_PATH=$CONDA_PREFIX/lib
export XLA_FLAGS=--xla_gpu_cuda_data_dir=$CONDA_PREFIX
使用以下命令可以让 conda 在激活环境时自动设置该环境变量。
# 该命令对当前环境有效，否则需使用 -n 参数指定环境名
conda env config vars set LD_LIBRARY_PATH=$CONDA_PREFIX/lib
conda env config vars set XLA_FLAGS=--xla_gpu_cuda_data_dir=$CONDA_PREFIX
安装 Tensorflow
pip install tensorflow
测试 GPU 是否开启成功
import tensorflow as tf
tf.test.is_gpu_available()
tf.config.list_physical_devices('GPU')
Apple M1 / M2 安装 GPU 支持
安装下面两个包就可以使用 Apple M1 / M2 上的 GPU 进行加速了：
pip install tensorflow-macos
pip install tensorflow-metal
Tips: Apple 官方指南 一直没有更新，已经过时了！2023 年，对于
tensorflow-macos 2.12.0来说，无需安装conda install -c apple tensorflow-deps，安装了反而会出错！只有tensorflow-macos <= 2.10的版本才需要安装。
Pytorch GPU 支持
pytorch 就简单多了，无论是什么平台，一条指令就自动安装所有的包，无需单独安装 GPU 的支持包：
pip install torch