TensorFlow-GPU的安装及keras的安装

2023年1月更新

①关于nvidia-smi的结果中的cuda version：与较新的驱动程序相关联的nvidia-smi显示的CUDA版本是DRIVER API兼容性版本。它根本不表示任何有关实际安装的CUDA版本的信息（来自这篇博文）
-----------------------以下是原文---------

背景：需要运行一个基于keras的BERT+BiLSTM+CRF的NER项目，因此写了这篇小记，记录环境准备的过程和步骤。

1、建立虚拟环境

前提：先安装Anaconda(这里我使用的是Anaconda3)

参考链接：https://blog.csdn.net/colleges/article/details/121948153

这里的Python版本为Python 3.6.8

2、安装TensorFlow（GPU版本）

2.1配置conda和pip镜像源

2.1.1conda镜像源

1. 通过下面这一行代码查看本机anaconda的conda镜像源有哪些。

conda config --show channels

2. 本机查询结果如下图所示，由图可知，本机没有配置镜像源，为默认的，所以下载东西的时候网速会比较慢。

3. 为conda配置清华镜像源，配置结果如下图所示。

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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
#设置搜索时显示通道地址(此步骤可有可无)
conda config --set show_channel_urls yes

2.1.2pip镜像源

清华镜像源：https://pypi.tuna.tsinghua.edu.cn/simple

阿里云镜像源：https://mirrors.aliyun.com/pypi/simple/

1. pip安装的时候大部分的包都不是很大，因此这里选择在pip命令后面使用参数-i来临时指定镜像源。
2. 想要永久有效，可以参考文章：https://blog.csdn.net/anglemanyi/article/details/112647242

2.2先直接安装TensorFlow-GPU

这里安装的TensorFlow版本为1.14.0

1. 输入以下命令安装TensorFlow-gpu，可以看到，指定了镜像源之后速度比原来快多了（原来只有几十K）。

pip install tensorflow-gpu==1.14.0 -i https://mirrors.aliyun.com/pypi/simple/

2. 安装完成后，进入Python编辑器，通过如下命令尝试导入tensorflow，发现报了下图所示的错误。

import tensorflow as tf

3. 返回的所有错误信息主要意思就是缺少了cudart64_100.dll，而且最后也提示我们需要安装CUDA10.0。

2.3安装CUDA和cuDNN

2.3.1弄清版本要求

TensorFlow、CUDA以及cuDNN的版本对应关系：https://www.tensorflow.org/install/source_windows

CUDA Toolkit与显卡驱动程序版本对应关系：http://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

cuDNN官网：https://developer.nvidia.com/cudnn

1. 先查看一下版本。我需要安装的是TensorFlow-gpu-1.14.0，当前的Python版本为3.6.8，通过上面列出的第一条链接可知符合要求；所需要的CUDA版本确实为CUDA10，对应的cuDNN版本为cuDNN7.4。通过上述第二条链接，可以知道CUDA10.0.130要求显卡驱动程序版本$\ge 411.31$(Windows下)。

2. 查看自己电脑的驱动程序版本：在命令行输入nvidia-smi，可以看到本机的显卡驱动程序版本为$496.49\ge 411.31$，符合要求。

3. 需要注意的的是，①某一个显卡驱动程序版本之下，可以使用多种版本的CUDA。②虽然通过TensorFlow官网我们知道TensorFlow-GPU-1.14.0版本对应的cudnn版本为7.4，但其实这个不是必须的，但我们必须确保对应的cuda版本为10.0，然后看哪一版本的cudnn支持CUDA10.0（通过2.3节最开始列出的cuDNN官网可查询）。根据下图所示内容，我们可以使用cudnn7.6.5。

2.3.2开始安装

CUDA官网：https://developer.nvidia.com/cuda-gpus

cuDNN官网：https://developer.nvidia.com/cudnn

目前知道的有两种安装方式：

• ①通过官网，下载可执行文件然后在本地安装。值得注意的是，用这种方式安装CUDA的时候，安装的内容非常全面，甚至也包括了显卡驱动程序，然而我们只需要其中的一部分，来支持TensorFlow的运作，所以就有了第二种方式。
• ②通过在虚拟环境中使用conda命令来安装，这样方便快捷，便于管理（前提是需要确保自己电脑上的显卡驱动程序的版本符合要求）。

这里演示的就是采用的②中所述的方法。

1. 由2.3.1的叙述可知我们要安装的是CUDA10.0.130。在conda虚拟环境中，直接使用下面的命令即可安装（已经在2.1.1中配置了conda的国内镜像源）：

conda install cudatoolkit=10.0.130

2. CUDA安装完成之后，conda其实是会自动匹配对应的cuDNN，因此直接输入下面的命令即可。它自动匹配出来的cuDNN版本为7.6.5，正是我们在2.3.1节看到的那样。

conda install cudnn

2.4验证安装

1. 分别输入以下命令，得到以下三张图的结果就说明没有问题了。

#命令1
import tensorflow as tf #成功导入，不像2.2中那样报错了
#命令2
print(tf.__version__) #1.14.0
#命令3(适用于TensorFlow 1.x版本)
print(tf.test.is_gpu_available()) #True

3、安装keras

安装完TensorFlow之后便可以开始keras的安装。

这里将要用到的有keras、keras_contrib、keras_bert.

3.1keras安装

1. 通过keras官网可以知道，keras可以直接通过如下pip命令在虚拟环境中进行安装。

pip install keras==2.2.4

3.2keras_contrib安装

1. 尝试使用pip的方式安装，但是多次尝试无法成功。

2. 百度之后，发现需要通过git进行安装。

3.2.1安装git

git可以使用图形化安装方式，也可以使用命令行安装方式。此处采用命令行方式在虚拟环境中进行安装。

1. 激活虚拟环境，再输入下面的命令，便可成功安装，如下图所示。

conda install git

3.2.2安装keras_contrib

安装好git，就可以通过git+网址的方式进行安装了

但是，需要注意，由于GitHub访问很慢，因此选择在gitee上找了一个对应的keras_contrib

1. 如下图所示，直接从GitHub进行git安装的话，可能会访问不了

2. 因此，这里通过gitee安装。输入以下命令即可完成安装，如下图所示。

pip install git+https://gitee.com/BenjaminHb/keras-contrib.git

3.3keras_bert安装

1. 这个可以通过pip直接安装，输入以下命令即可。

pip install keras-bert

4、参考文章

• 以上是本文的全部内容，本文撰写过程中的主要参考文章如下：

①【TensorFlow-GPU安装】：

https://blog.csdn.net/m0_49090516/article/details/113576003

②【GPU、CUDA、CUDA Toolkit、cuDNN关系以及下载安装】：

https://blog.csdn.net/qq_42406643/article/details/109545766

③【在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）】：

https://blog.csdn.net/qq_37774098/article/details/109895048

④【tensorflow 安装GPU版本，个人总结，步骤比较详细】：

https://blog.csdn.net/gangeqian2/article/details/79358543