【最新发现的方法】安装tensorflow2.4.0方法（亲测有效）

参考：（主要参考下面2个博客，但经过大量修改，且参考了其他博客的报错解决方案）

WIN10+CUDA11.0+anaconda3+tensorflow-gpu2.4.0安装过程_keras安装下载很多tensorflow gpu2.4.0_raylu666的博客-CSDN博客

tensorflow2.4.0 GPU版本的安装教程-Windows10_please install version tensorflow 2.4.0._撸破天的博客-CSDN博客

tensorflow2.4.0 GPU版本的安装教程-Windows10

一、硬件环境（不用管，我硬件符合）

GPU版本的tensorflow需要支持Nvidia CUDA的显卡，只有支持CUDA的显卡才能安装GPU版本，否则只能安装CPU版本。

二、软件环境

tensorflow2.4.0 GPU版本的要求：CUDA11.0，CUDNN8.0

1. 检查Nvidia的显卡驱动，并且驱动支持的CUDA版本要大于等于11.0

右键点击电脑右下角的Nvidia设置，打开Nvidia控制面板，再点击左下角的系统信息，然后选择组件，查看驱动版本，图中红框NVIDIA CUDA后面的版本号必须大于等于11.0，如果小于11.0，则需要更新Nvidia的驱动。（djj：下图是我的cuda版本）

三、Anaconda的安装

1. 打开Anaconda的下载链接 https://www.anaconda.com/products/individual#Downloads ， 选择64位版本，下载完成后，直接安装，安装过程中注意把那个 Add Anaconda to my PATH envionment variable 勾选上（不用管，这个已经安装）

2. Anaconda安装完成以后，打开开始菜单里面的Anaconda Prompt， 直接输入conda create -n TF2.4.0 python=3.8 创建一个名为tensorflow2.4.0的环境，过程中需要确认，直接输入y，然后回车就行了

3. 环境创建好以后，需要配置一下镜像源，系统默认使用国外的镜像源，速度会非常慢，而且极大的概率会中断，在Anaconda Prompt中以此输入下面三条命令，添加清华大学的镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

四、cudatoolkit-11.0的安装（CUDA安装）

官方地址 CUDA Toolkit 11.0 Download | NVIDIA Developer

安装CUDA

 自定义这里把Visual Studio Integration勾选去掉

其他组件也去掉

五、cudnn-8.0的安装

cudnn需要到Nvidia官网进行下载，https://developer.nvidia.com/cudnn，选择对应的版本进行下载，下载需要注册一个账号，下载完成以后，将下载得到的压缩文件解压，得到一个名为cudnn-windows-x86_64-8.9.5.29_cuda11-archive的文件夹，

下载cuDNN

将上面文件copy到如下目录

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0

六、Visual Studio 2019依赖包安装

最新支持的 Visual C++ 可再发行程序包下载 | Microsoft Docs

 这个支持库建议安装，否则后面各种坑，支持库只有10多MB。安装后重启。

七、tensorflow的安装

打开Anaconda Prompt，输入conda activate tensorflow2.4.0，进入到已经创建好的tensorflow2.4.0环境中，直接输入pip install tensorflow-gpu==2.4.0 -i https://mirrors.aliyun.com/pypi/simple/，进行tensroflow2.4.0 GPU版本的下载安装，这里使用的是阿里云镜像，速度比清华镜像源要快。安装完成以后，一次输入

python

import tensorflow as tf

tf.__version__  #显示2.4.0

tf.test.is_gpu_available() 

返回True，说明tensorflow已经安装完成了，如果返回False，而且显示的是有一个.dll文件找不到的话，那就是你的cuda版本装得不对。

报错一： Not creating XLA devices, tf_xla_enable_xla_devices not set

解决方案：

可以使用conda env config vars set TF_XLA_FLAGS=--tf_xla_enable_xla_devices设置当前虚拟环境中的自定义环境变量。设置完毕后需重新启动虚拟环境才可生效，再次使用tf.test.is_gpu_available()便不会再出现Not creating XLA devices, tf_xla_enable_xla_devices not set`报错，且训练速度会大大加快

报错二：找不到cudnn。。。.dll 啥的

cudatoolkit和cudnn啥的conda安装比较容易出错，报错了这个。我的解决方案是本地安装cudatoolkit和cudnn，就正常了。