Anaconda + Pycharm 创建 Python 3.7 + TensorFlow 2.7 环境

涵涵不是憨憨~

已于 2024-07-28 14:38:48 修改

阅读量1.1k

点赞数 17

分类专栏： # Python 文章标签： conda pycharm tensorflow

于 2024-07-25 20:35:56 首次发布

本文链接：https://blog.csdn.net/2201_75691823/article/details/140630145

版权

Python 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

一、目标：创建一个 Python 3.7 + TensorFlow 2.7 的环境

二、确定安装版本

2.1 首先查看目标的 Python 版本和 TensorFlow 版本是否匹配

2.2 接下来查看本机显卡即驱动是否支持 cudatoolkit11.2

综上共要安装：python3.7，cudatoolkit11.2，cudnn8.1，tensorflow2.7。

三、配置 Python3.7 环境

3.1 Anaconda 创建 Python3.7 环境

3.1.1 Anaconda Navigator 方式

3.1.2 Anaconda Prompt 方式

3.2 Pycharm 使用 Anaconda 中 TensorFlow2.7 环境

四、配置 cudatoolkit11.2，cudnn8.1，tensorflow2.7 环境

4.1 在 Pycharm 中安装 cudatoolkit11.2 和 cudnn8.1

五、测试环境安装

六、常见问题

6.1 未找到：TensorFlow 2.6以上的版本对应表。

七、注

7.1 包管理工具冲突

一、目标：创建一个 Python 3.7 + TensorFlow 2.7 的环境

电脑环境

笔记本	系统	NVIDIA 显卡	显卡驱动版本	驱动支持最高CUDA版本
联想小新 15	Windows 11 家庭中文版	NVIDIA GeForce MX350	472.19	11.4

二、确定安装版本

2.1 首先查看目标的 Python 版本和 TensorFlow 版本是否匹配

在 TensorFlow 官网上查询 Windows 中 GPU 版本的 TensorFlow 和 Python 版本对应表（部分）。

Windows 中 GPU 版本的 TensorFlow 和 Python 版本对应表

得到我们需要的版本对应信息。

Version	Python version	Compiler	Build tools	cuDNN	CUDA
tensorflow_gpu-2.7.0	3.7-3.9	MSVC 2019	Bazel 3.7.2	8.1	11.2

MSVC 2019：（Microsoft Visual C++ Compiler）是微软的编译器。
Bazel 5.1.1：是 Google 开发的一种构建工具，可以自动化地构建和测试大型代码库。
本文使用 Anaconda3 工具安装 CUDA 所以不涉及到这两个。

cuDNN： 深度神经网络库（CUDA Deep Neural Network library）主要作用是在CUDA平台上加速深度神经网络的训练和推理过程。
CUDA：是 NVIDIA 的并行计算平台和应用编程接口（API）。
CUDA Toolkit：是由 NVIDIA 提供的一套工具集合，它包含了编写、编译、调试和优化 CUDA 应用程序所需要的各种组件。简言之，目标环境中需要安装 CUDA Toolkit 。当提到 CUDA 版本时，通常是指 CUDA Toolkit 的具体版本号。所以 CUDA Toolkit 版本为11.2。

2.2 接下来查看本机显卡即驱动是否支持 cudatoolkit11.2

打开命令提示符 [win + r -> cmd -> 确定]。

vidia-smi命令用于查询 NVIDIA GPU 的状态和信息。

nvidia-smi

显示驱动版本为472.19，可安装 CUDA 的最高版本为11.4，满足目标环境要求。

综上共要安装：python3.7，cudatoolkit11.2，cudnn8.1，tensorflow2.7。

三、配置 Python3.7 环境

使用到的软件：Anaconda3 + PyCharm 2024.1.4（Professional Edition）

3.1 Anaconda 创建 Python3.7 环境

3.1.1 Anaconda Navigator 方式

Environments -> Create -> Packags选择3.7.x（x表示任意），名字任意即可。

3.1.2 Anaconda Prompt 方式

命令行 conda create -n 名称 python=版本号

具体步骤

（1）打开 Anaconda Prompt

（2）输入命令：

conda create -n TensorFlow2.7 python=3.7

（3）安装完成后，可按照提示 conda activate TensorFlow2.7 切换到 TensorFlow2.7 环境下输入命令行继续安装。本文使用 PyCharm 连接到新建的 TensorFlow2.7 环境后继续安装其他包。

3.2 Pycharm 使用 Anaconda 中 TensorFlow2.7 环境

之后点击确定，加载完毕后再点击确定。这样就可以在 Pycharm 中使用 TensorFlow2.7 环境。

四、配置 cudatoolkit11.2，cudnn8.1，tensorflow2.7 环境

4.1 在 Pycharm 中安装 cudatoolkit11.2 和 cudnn8.1

（1）打开本地终端

（2）下载 cudatoolkit11.2 和 cudnn8.1

先查找

 conda search cudatoolkit

但是没有对应版本

(TensorFlow2.7) PS D:\CSDN\TensorFlow2.7_workspace> conda search cudatoolkit
Loading channels: done
# Name Version Build Channel
cudatoolkit 8.0 4 pkgs/main
cudatoolkit 9.0 1 pkgs/main
cudatoolkit 9.2 0 pkgs/main
cudatoolkit 10.0.130 0 pkgs/main
cudatoolkit 10.1.168 0 pkgs/main
cudatoolkit 10.1.243 h74a9793_0 pkgs/main
cudatoolkit 10.2.89 h74a9793_0 pkgs/main
cudatoolkit 10.2.89 h74a9793_1 pkgs/main
cudatoolkit 11.0.221 h74a9793_0 pkgs/main
cudatoolkit 11.3.1 h59b6b97_2 pkgs/main
cudatoolkit 11.8.0 hd77b12b_0 pkgs/main

所以用

conda search cudatoolkit -c conda-forge

查询到

cudatoolkit 11.2.0 h608a323_7 conda-forge
cudatoolkit 11.2.0 h608a323_8 conda-forge
cudatoolkit 11.2.1 h7a7aa70_8 conda-forge
cudatoolkit 11.2.2 h7d7167e_10 conda-forge
cudatoolkit 11.2.2 h7d7167e_11 conda-forge
cudatoolkit 11.2.2 h7d7167e_12 conda-forge
cudatoolkit 11.2.2 h7d7167e_13 conda-forge
cudatoolkit 11.2.2 h933977f_10 conda-forge
cudatoolkit 11.2.2 h933977f_8 conda-forge
cudatoolkit 11.2.2 h933977f_9 conda-forge

这句命令行是在 conda-forge 通道（channel）中搜索可用的 cudatoolkit 包。（conda 默认的 channel 是defaults，但这个channel包不全。）

接下来同样用 conda-forge channel 下载 cudatoolkit 11.2.0 。

conda install cudatoolkit==11.2.0 -c conda-forge

输入y（同意安装），等待一段时间后，显示done说明安装成功。

按照同样方法下载 cudnn8.1，命令行为：

conda search cudnn -c conda-forge 
conda install cudnn==8.1.0.77 -c conda-forge

之后可以检查下是否安装成功，即

conda list

显示如下，说明安装成功。

cudatoolkit 11.2.0 h608a323_8 conda-forge
cudnn 8.1.0.77 h3e0f4f4_0 conda-forge

（3）安装 tensorflow2.7

发现，conda search 不到 tensorflow2.7

conda search tensorflow-gpu   
conda search tensorflow-gpu -c conda-forge

于是使用 Python 的包管理工具 pip。

pip index versions tensorflow-gpu

得到

Available versions: 2.12.0, 2.10.1, 2.10.0, 2.9.3, 2.9.2, 2.9.1, 2.9.0, 2.8.4, 2.8.3, 2.8.2, 2.8.1, 2.8.0, 2.7.4, 2.7.3, 2.7.2, 2.7.1, 2.7.0, 2.6.5, 2.6.4, 2.6.3, 2.6.2, 2.6.1, 2.6
.0, 2.5.3, 2.5.2, 2.5.1, 2.5.0, 2.4.4, 2.4.3, 2.4.2, 2.4.1, 2.4.0, 2.3.4, 2.3.3, 2.3.2, 2.3.1, 2.3.0, 2.2.3, 2.2.2, 2.2.1, 2.2.0, 2.1.4, 2.1.3, 2.1.2, 2.1.1, 2.1.0, 2.0.4, 2.0.3, 2.0.2, 2.0.1, 2.0.0, 1.15.5, 1.15.4, 1.15.3, 1.15.2, 1.15.0, 1.14.0, 1.13.2, 1.13.1

所以，直接下载 2.7.0 即可。

pip install tensorflow-gpu==2.7.0

等待下载完毕后，完成目标环境的配置。

五、测试环境安装

让GPT生成个简单的测试程序

import tensorflow as tf

# 打印TensorFlow版本
print("TensorFlow version:", tf.__version__)

# 列出所有物理设备
physical_devices = tf.config.list_physical_devices()

# 打印所有物理设备
for device in physical_devices:
    print(device)

# 检查是否有GPU设备
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("GPUs Found:")
    for gpu in gpus:
        print(gpu)
else:
    print("No GPUs found.")

# 创建两个张量
a = tf.constant(2.)
b = tf.constant(4.)

# 在默认设备上执行乘法操作
result = a * b
print(result)

运行结果

TensorFlow version: 2.7.0
PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')
GPUs Found:
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')

2024-07-23 21:21:33.269228: I tensorflow/core/platform/cpu_feature_guard.cc:151] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2024-07-23 21:21:33.793438: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 1321 MB memory: -> device: 0, name: NVIDIA GeForce MX350, pci bus id: 0000:01:00.0, compute capability: 6.1

tf.Tensor(8.0, shape=(), dtype=float32)

红字部分表示成功检测并初始化了 NVIDIA GeForce MX350 GPU 作为计算设备。

再测试个能用到 GPU 的程序。构建和训练一个卷积神经网络（CNN）以识别 CIFAR-10 数据集的图像。

import tensorflow as tf
from tensorflow.keras import datasets, layers, models

# Check GPU availability
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))

# Load and prepare the CIFAR10 dataset
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()

# Normalize pixel values to be between 0 and 1
train_images, test_images = train_images / 255.0, test_images / 255.0

# Build the CNN model
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))

model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))

# Compile and train the model
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])

history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))

# Evaluate the model
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

运行时，查看任务管理器，发现用到了 GPU 的一些内存。所以到此为止，目标环境安装成功。