目录
安装Anoconda
本文使用Anoconda来建立虚拟环境和配置tendorflow,anoconda相当于是python环境的管理工具,通过创建新的虚拟环境来解决部分库不兼容的问题,可通过网站https://www.anaconda.com/来下载。注意占用空间会比较大,我这里创建了pytorch和tensorflow的虚拟环境占用了超过40G的空间。温馨提示,Amd显卡的用户就不用往下面看了。
安装完成之后,打开Anaconda Prompt软件。windows系统用户按win键在开始菜单找到anoconda3文件,里面就有Anaconda Prompt(anoconda3)软件。
创建虚拟环境
打开Anaconda Prompt(anoconda3)进入base环境,这里我们需要创建新的虚拟环境来安装tensorflow。可输入如下的代码实现:
conda create -n tensorflow python=3.9
这里需要注意的是,tensorflow是我自定义的环境名,可定义为你喜欢的不带空格和中文的其它名字,python版本要安装tensorflow对应的,可参考下面的网址来确定,这里我以python3.9为例
https://tensorflow.google.cn/install/source_windows?hl=zh-cn#gpu
创建环境后,使用命令激活进入新环境
conda activate tensorflow
配置tensorflow环境
这里需要注意的是,tensorflow库在2.12及以上的版本中,都取消了对Windows平台的GPU支持(tensorflow-gpu · PyPI),但是本文使用的2.6.0版本的tensorflow库依旧可以使用gpu加速。
conda install --user "tensorflow==2.6.0"
如果安装速度过慢或者安装失败可以使用下面的代码(使用清华源镜像):
python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.6.0
接着,输入下面的代码查看GPU的情况
nvidia-smi
出现类似的信息说明驱动(NVIDIA Driver)没问题,否则需要到Official Drivers | NVIDIA,根据你显卡的版本来下载。
随后,我们需要配置CUDA与cuDNN,其中CUDA是NVIDIA为其生产的GPU所研发的一种并行计算架构,而cuDNN则是专门为深度神经网络运行而提供的一个加速库。笔者根据网上教程手动到NVIDIA官方网站上下载安装最新的12代CUDA和cuDNN,但依然无法实现tensorflow的gpu加速,猜测原因可能是新版本不向下兼容。所以,这里需要根据我们前面的python版本确定对应的CUDA和cuDNN,这里我们使用了python3.9,所以确定对应的CUDA为11.2、cuDNN为8.1。
然后可以直接输入下面的代码来实现CUDA和cuDNN的下载与配置,运行代码后停止不动直接无脑多按几下回车就行。
conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1
验证结果
安装完成后,我们需要通过python代码来验证是否成功,这里在命令行输入python进入python自带的编译器:
python
接着输入以下的代码来验证:
import tensorflow as tf
tf.test.is_gpu_available()
看到如下图的返回True就成功了
解决报错
如果在运行keras库后代码出现“ImportError: cannot import name ‘dtensor‘ from ‘tensorflow.compat.v2.experimental“的报错提示,可能是tensorflow和keras版本不匹配导致的。
使用下面的代码查看keras的版本
pip show keras
安装完之后发现keras版本为2.12.0,而上面安装的tensorflow版本为2.6.0,所以需要把keras调整为2.6来确保版本兼容。下面的代码任选一个来运行
pip install keras==2.6
conda install keras==2.6