Anaconda 3+TensorFlow-GPU 2.20+cuDNN 7.6.5
文章记录在python的发行版本之一anacond 3中搭建TensorFlow GPU版框架
文章目录:
1. Anaconda
1.1 安装anaconda
此处给个下载地址 ,个人用就下载individual版的就行,其他版本收费。
下载之前一定要确定好所需要python版本,不同版本的anaconda对应不同的python版本,当然了不怕麻烦也可以在安装好后手动升级python版本…
官网下载有时候速度感人,这里推荐从国内的镜像网站下载,速度会提升不少。目前国内的镜像网站有清华的、阿里云的、中科大的等等,这里给出清华的镜像网站清华镜像。选择anaconda 3 对应python 3.x的版本,选anaconda 2对应python 2.x的版本。另外提一句尽量选anaconda 3的版本,因为python 2.x从2020年开始已经停止更新和维护了。
此处我选择的最新的版本
下载下来安装
这里把第一个选项选上,安装时自动将anaconda的路径添加的系统环境变量,否则还要自己添加系统变量。从第二个选项可以看出当前anaconda 包含的python版本号这里是python 3.8版本。
等待安装完毕后,进入CMD输入conda list
,输出一堆安装包后说明anaconda安装成功。如图:其中输出的第一行为anaconda的安装地址,以下多行为已经安装的包。
1.2 conda换源
conda 是一个开源的软件包管理系统和环境管理系统,可以简单理解为安装包的下载工具(下文中出现的pip是另一种下载工具)。这里建议将conda配置成国内的镜像源,日后使用免不了要下载一些扩展工具包,换为国内源后能大大提高下载速度和下载稳定度。
换源命令格式:conda config --add channels + 国内源的URL
清华的源:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
以上两条是anaconda的官方库,此外还有一些第三方库源(例如 conda-forge、msys2、pytorch等,点击此处可以查看完整的列表)
若添加第三方库源,也是上述命令格式:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
中科大的源:
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/cloud/menpo/
上交大的源:
conda config --add channels https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.sjtug.sjtu.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.sjtug.sjtu.edu.cn/anaconda/cloud/conda-forge/
使用下面的命令可以在下载时显示使用的源
conda config --set show_channel_urls yes
想要换回conda的默认源,使用下面命令:
conda config --remove-key channels
2. CUDA+cuDNN
2.1 安装CUDA
CUDA是英伟达公司推出的一个运算平台,它拥有大量数据运算的能力,这里简单理解为CUDA是一个超级计算器就好,TensorFlow框架可以利用CUDA这个超级计算器来提升运算速度,缩短运行时间。
cuda去NVIDIA官网直接下,下载前建议去Tensorflow官网查看TensorFlow和cuda的版本对应表,这里直接截了一张图,方便大家找寻对应对版本。
TensorFlow-GPU版:
TensorFlow CPU版:
博主选用的是TensorFlow-GPU 2.2.0搭配cuda10.1+cuDNN7.6.5
cuDNN是NVIDIA 公司推出的用于深度神经网络的GPU加速库,有了它N卡才能在GPU上完成深度学习的计算。上文我们把CUDA看做超级计算器,这里我们把cuDNN看做超级计算器与数据平台连接的数据线。CUDA这个计算器可以计算任何种类的数据,只需要把它和想要计算的某种数据种类的数据平台用专用的数据线连接起来,cuDNN就是CUDA连接深度学习这个数据种类的连接线。因为是专用的数据连接线,所以cuDNN版本号和CUDA号一定是一一对应。
官网都是最新版的CUDA,想要下载以往CUDA版本可以点这个链接,下载时选择cuda 10.1update2(如果不按博主这个版本搭配来,请参照上文的TensorFlow对应表自行选择合适的版本)
然后选择本地下载exe
如果下载速度过慢可以将下载地址复制到迅雷里下载。
下载完成后启动安装程序,同意安装条约,选择自定义安装选项。如果不需要VS编译的话,就不要选择Visual Studio Integration 这个选项。另外,新版本号比当前版本号低的选项一律不选。如下图:
完成安装后检查系统环境变量是否已经拥有了CUDA的环境变量,到此cuda的安装告一段落。
2.2 安装cuDNN
去NVIDIA官网在导航栏里点击开发者,跳转到开发者页面后在导航栏里找到平台选项,平台里的第一列找到cuDNN选项后点击,来到cuDNN的下载页面。根据英伟达的要求必须要注册一个账号才能下载cuDNN。注册好号后,选择下载cuDNN 7.6.5 for CUDA 10.1.
下载完成解压后,将文件夹里的项目挨个复制到CUDA安装目录(一般为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1)里的对应文件夹内。
3. TensorFlow-GPU
3.1 安装TensorFlow-GPU
根据上文中的TensorFlow-GPU版对照表,我们可以选择安装TensorFlow-GPU2.2.0和TensorFlow-GPU2.3.0这两个版本。(TensorFlow-GPU2.1.0版cudnn和cuda版本都满足,但是python最高支持3.7,而博主选择的版本号为python3.8)
##这里再次提醒自行搭配版本的读者,一定要看清对照表内python、tensorflow-gpu、cudnn、cuda这四者之前的版本号是否匹配!!!若版本不匹配只能删除重下!!!##
这里博主选择的是TensorFlow-GPU2.2.0这个版本。选择好后进入cmd,输入命令 conda create -n tf2
此时在anaconda内创建一个名为tf2
的虚拟环境,输入命令conda activate tf2
进入tf2环境内,创建环境后输入以下命令
pip install tensorflow-gpu==2.2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
其中-i
参数指明了下载源,这里依然使用了清华的镜像节点,以获得较快的下载速度。
当然也可以使用conda命令来下载tensorflow,只需要输入
conda install tensorflow-gpu==2.2.0
3.2 检查是否安装成功
进入cmd,输入命令conda activate tf2
进入tf2环境内,再输入命令ipython
,待输出返回后依次输入
import tensorflow as tf
tf.test.is_gpu_available()
exit()
若最后返回TRUE,则顺利完成了全部安装;若返回false,请检查系统环境变量是否添加正确、cudnn的文件是否已复制进cuda对应文件夹内、自己的cuDNN版本和CUDA是否相匹配、CUDA版本和TensorFlow版本是否相匹配,若不匹配,重新下载对应匹配的版本后按照本帖再次安装。(注:博主选择的版本配置经过实践是没有问题的)