Anaconda虚拟环境中安装cudatoolkit和cudnn包并配置tensorflow-gpu

Anaconda虚拟环境中安装cudatoolkit和cudnn包并配置tensorflow-gpu

---

2024.06.07更新完成
需要pytorch安装配置教程请点击链接：Anaconda虚拟环境中配置pytorch-gpu

tensorflow官方信息
Windows上的GPU支持仅适用于2.10或更早的版本，从tensorflow 2.11开始，Windows不支持CUDA构建。
目前暂时没有能在windows上安装tensorflow 2.11及更新版本的方法，安装最新版本导致各种奇怪bug。

---

前言

非常建议大家一个项目一个环境，每次复现别人论文，项目，做大作业直接新配个环境就行，省时省力。

---

1. 创建虚拟环境并安装cudatoolkit和cudnn包

点击链接：查看tensorflow版本信息以及配对cudatoolkit和cudnn版本
注意：安装的tensorflow-gpu、python、 cuda 、 cudnn 版本关系，一定要对应上！

1）确认需要安装的tensorflow版本，注意是看GPU，这里我以tensorflow-2.10.0为例。大家按需选择，如果是复现论文/项目，看作者是否提出版本要求；没有的话随意，但不建议直接用最新版，容易版本冲突。
2）可以看到tensorflow-2.10.0对python，cuda，cudnn的版本需求，我这里选择python3.10，cuda11.2，cudnn8.1，记住现在选的版本。

1.1 创建虚拟环境

输入命令：

conda create -n name python=3.x

name是环境名
3.x是python版本
如果创建名为tf，python版本为3.10的虚拟环境，
命令为：conda create -n tf python=3.10

输入y确认下载：
安装成功创建环境：

激活环境中，命令为activate name：

提示：在进行1.2部分的操作之前，一定要先进入刚创建的环境，不然后面的操作是在默认环境base上进行

1.2 安装cudatoolkit和cudnn包

1.2.1 安装cudatoolkit包

在上面我们已经知道了tensorflow2.10.0对应的cuda版本为cuda11.2，因此接下来：

输入命令：

conda search cudatoolkit

查看可以下载的cudatoolkit安装包：

发现11.2的版本也有很多，随便选一个就行：

于是执行命令安装cudatoolkit包：

conda install cudatoolkit==11.2.0

同样输入“y”确认，
安装成功：

1.2.2 安装cudnn包

在上面我们已经知道了tensorflow2.10.0对应的cuda版本为cudnn8.1，因此接下来：

跟安装cudatoolkit步骤一样，先查看是否有这个版本，再命令安装。
通过conda search cudnn命令查看可下载的版本：

conda search cudnn

找到cudnn8.1版本:

执行命令安装cudnn包：

conda install cudnn==8.1.0.77

同样输入“y”确认，
安装成功：

提示：安装之后的 CUDA 和 cudnn 会存放在虚拟环境的 lib 文件夹 或者include 文件夹里面。如果直接通过win+r，cmd，nvcc -V命令会发现还是主机的版本。

---

2. 安装tensorflow

确认版本，就像我上面说的需要安装tensorflow2.10.0

2.1. 安装

通过conda search tensorflow-gpu命令查看可下载的版本：

conda search tensorflow-gpu

额，没有更新到2.10，不过没关系，我们已经知道更新到了2.16版本，
执行命令安装tensorflow：

pip install tensorflow-gpu==2.10.0

速度慢则选用国内源：

pip install tensorflow-gpu==2.10.0 -i https://pypi.douban.com/simple 

正在下载：

提示：换完国内源，也大概需要10几分钟，看网速。

2.2. 验证是否安装成功

验证是否可以调用gpu

输入以下命令：

python

测试1：

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)

print返回信息中有GPU信息即可：


测试2：

import tensorflow as tf
version=tf.__version__  #输出tensorflow版本
gpu_ok=tf.test.is_gpu_available()  #输出gpu可否使用
print("tf version:",version,"\nuse GPU:",gpu_ok)

验证tensorflow是否能调用gpu，需要返回 true：