anaconda tensorflow-gpu配置

最新推荐文章于 2024-06-04 17:27:42 发布
最新推荐文章于 2024-06-04 17:27:42 发布
阅读量409 收藏 1
点赞数
分类专栏： 机器学习 文章标签： python tensorflow
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/luis_jie/article/details/114181365
版权

系统安装
anaconda安装
cudn cudnn安装
下载cudnn安装
配置环境变量
检查cuda是否安装成功
检查cudnn是否安装成功
配置conda源
修改pip镜像源为阿里云
tensorflow-gpu下载安装
测试tensorflow-gpu是否可用
conda 常用命令
tensorflow对应版本cuda和cudnn版本对照参考

系统安装

anaconda安装

从官网中下载windows版本anaconda。

下载个人版本够用了

下载完成后打开安装程序
打开安装包

进入安装界面，点击 next
安装界面1

选择安装路径
选择安装路径

勾选勾选上自动配置环境变量选项，这样无需再手动配置环境变量，

  • 如果已经安装Python环境不建议勾选第二个选项.
  • 若未安装python环境建议两个选项都勾选
    anaconda环境变量

安装完成后点击点击finish完成安装
安装过程中

验证anaconda是否安装成功
打开cmd输入conda info出现下列相关信息说明anaconda安装成功，且环境变量配置成功

C:\Users\Administrator>conda info

     active environment : None
       user config file : C:\Users\Administrator\.condarc
 populated config files : C:\Users\Administrator\.condarc
          conda version : 4.9.2
    conda-build version : 3.15.1
         python version : 3.7.0.final.0
       virtual packages : __win=0=0
                          __archspec=1=x86_64
       base environment : D:\ProgramFiles\Anaconda3  (writable)

cudn cudnn安装

Nvidia官网cuda下载地址选择对应windows版本，建议选择exe(local)版本。本地安装。
cuda1

点击download在这里附上编写本文档时的最新版本cuda版本:cuda_11.2.1_461.09_win10.exe下载链接
cuda2
需要注意请根据自己所使用框架具体要求下载对应版本的cuda，否则在运行时可能会报版本错误。cuda版本参考

打开安装程序，选择安装路径
安装路径
点击OK等待安装
等待

同意协议
安装1

选择自定义安装
自定义
勾选所有组件，注意
组件当前版本若大于新版本请不要勾选此组件
组件选择
请记住cuda安装路径windows默认为
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\对应版本
安装地址

点击下一步
下一步
结束安装

下载cudnn

NVIDIA cuDNN是用于深度神经网络的GPU加速的原语库。，cudnn下载需要在nvidia注册账号，可能需要科学上网。

配置环境变量

将cuda文件夹中的bin目录添加到系统变量中

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin

将cuda文件夹中的libnvvp目录添加到系统变量中

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp

将cuda文件夹中的include目录添加到系统变量中

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\include

将cuda文件夹中的lib目录添加到系统变量中

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\lib

如果系统安装多个cuda以上所有系统变脸全部上移到顶部

检查cuda是否安装成功

检查cuda是否添加到环境变量，打开环境变量查看系统变量中的CUDA_PATH和CUDA_PATH_Vxx.x是否存在且正确。

cuda_path
然后启动cmd输入nvcc-V查看是否正确
nvcc-v1

检查cudnn是否安装成功

进入到cuda的安装路径，C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\extras\demo_suite，找到如下两个.exe文件：
检查cudnn1
首先执行：deviceQuery.exe，查看是否出现如下界面：
检查cudnn2
然后执行bandwidthTest.exe，出现如下界面，则代代表cuDNN也安装成功。
检查cudnn3

配置conda源

使用conda install安装环境依赖时，经常会遇到网络超时，因此需要切换国内源。

  1. 打开conda prompt
  2. 添加镜像源（命令行）
conda config --add channles(url)
#清华源
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 --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud//pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --set show_channel_urls yes
#北京外国语大学镜像
conda config --add https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
conda config --add https://mirrors.bfsu.edu.cn/anaconda/pkgs/free
conda config --add https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
conda config --add https://mirrors.bfsu.edu.cn/anaconda/pkgs/pro
conda config --add https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
conda config --set show_channel_urls yes
  1. 添加镜像源(.condarc)
    选择下面一个镜像站的代码复制并替换下面文件中的全部内容
  • windows为“C:\用户\你的用户名\.condarc”
  • windows无法直接创建.condarc文件，可先执行
conda config --set show_channel_urls yes

生成该文件之后再修改。

  • Linux为"/home/你的用户名/.condarc"。（若没有这个文件就新建一个，注意文件名为.condarc，不要有任何其他后缀）。将下面内容直接复制进该文件
channels:
  - defaults
show_channel_urls: true
default_channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/r
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  msys2: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  bioconda: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  menpo: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  pytorch: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud

channels:
  - defaults
show_channel_urls: true
channel_alias: https://mirrors.bfsu.edu.cn/anaconda
default_channels:
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/free
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/pro
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.bfsu.edu.cn/anaconda/cloud
  msys2: https://mirrors.bfsu.edu.cn/anaconda/cloud
  bioconda: https://mirrors.bfsu.edu.cn/anaconda/cloud
  menpo: https://mirrors.bfsu.edu.cn/anaconda/cloud
  pytorch: https://mirrors.bfsu.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.bfsu.edu.cn/anaconda/cloud

运行conda clean -i清除索引缓存，保证用的是镜像站提供的索引

查看镜像源

conda config --show-sources
修改pip镜像源为阿里云

在windows文件夹管理器中输入%appdata%，进入\appdata\roaming目录新建pip目录，新建pip.ini文件

在pip文件中输入以下内容

[global]

index-url = http://mirrors.aliyun.com/pypi/simple

[install]

trusted-host = mirrors.aliyun.com

tensorflow-gpu下载安装

  1. 打开Anaconda Navigator
  2. 点击Environments
    environment1
    3.点击create,
    create1
    4.输入环境变量名，选择python版本，点击create。稍等一会便创建成功
    env2
    *环境创建成功后打开conda prompt
  • 激活该环境
    conda activate tensorflow1
    安装tensorflow-gpu
conda install tensorflow-gpu
#安装指定版本tensorflow-gpu
conda install tensorflow-gpu==2.1.0

查看是否安装上环境conda list
conda_list1
出现tensorflow-gpu便说明安装成功

测试tensorflow-gpu是否可用

激活环境
conda activate tensorflow1

(medicine) C:\Users\dhcc>python
Python 3.8.6 | packaged by conda-forge | (default, Jan 25 2021, 22:54:47) [MSC v.1916 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import tensorflow as tf
2021-02-27 16:24:32.243502: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudart64_110.dll
>>> tf.test.is_gpu_available()
2021-02-27 16:27:25.706998: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 0 with properties:
pciBusID: 0000:83:00.0 name: Tesla V100-SXM2-16GB computeCapability: 7.0
coreClock: 1.53GHz coreCount: 80 deviceMemorySize: 15.88GiB deviceMemoryBandwidth: 836.37GiB/s
2021-02-27 16:27:25.719334: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudart64_110.dll
2021-02-27 16:27:25.725227: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cublas64_11.dll
2021-02-27 16:27:25.731455: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cublasLt64_11.dll
2021-02-27 16:27:25.737729: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cufft64_10.dll
2021-02-27 16:27:25.744441: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library curand64_10.dll
2021-02-27 16:27:25.752021: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cusolver64_10.dll
2021-02-27 16:27:25.759194: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cusparse64_11.dll
2021-02-27 16:27:25.766735: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudnn64_8.dll
2021-02-27 16:27:25.782919: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1862] Adding visible gpu devices: 0
2021-02-27 16:27:26.528352: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1261] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-02-27 16:27:26.534888: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1267]      0
2021-02-27 16:27:26.539445: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1280] 0:   N
2021-02-27 16:27:26.558320: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1406] Created TensorFlow device (/device:GPU:0 with 14827 MB memory) -> physical GPU (device: 0, name: Tesla V100-SXM2-16GB, pci bus id: 0000:83:00.0, compute capability: 7.0)
2021-02-27 16:27:26.569970: I tensorflow/compiler/jit/xla_gpu_device.cc:99] Not creating XLA devices, tf_xla_enable_xla_devices not set
True
#或者
>>> tf.config.list_physical_devices('GPU')
2021-02-27 16:40:04.176880: I tensorflow/compiler/jit/xla_cpu_device.cc:41] Not creating XLA devices, tf_xla_enable_xla_devices not set
2021-02-27 16:40:04.187789: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1720] Found device 0 with properties:
pciBusID: 0000:83:00.0 name: Tesla V100-SXM2-16GB computeCapability: 7.0
coreClock: 1.53GHz coreCount: 80 deviceMemorySize: 15.88GiB deviceMemoryBandwidth: 836.37GiB/s
2021-02-27 16:40:04.199739: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudart64_110.dll
2021-02-27 16:40:04.205925: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cublas64_11.dll
2021-02-27 16:40:04.211750: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cublasLt64_11.dll
2021-02-27 16:40:04.218167: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cufft64_10.dll
2021-02-27 16:40:04.224249: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library curand64_10.dll
2021-02-27 16:40:04.229874: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cusolver64_10.dll
2021-02-27 16:40:04.235953: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cusparse64_11.dll
2021-02-27 16:40:04.242297: I tensorflow/stream_executor/platform/default/dso_loader.cc:49] Successfully opened dynamic library cudnn64_8.dll
2021-02-27 16:40:04.259506: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1862] Adding visible gpu devices: 0
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

conda 常用命令

  • Conda是没有重命名环境的功能的, 要实现这个基本需求, 只能通过克隆-删除的过程。
  • 切记不要直接mv移动环境的文件夹来重命名, 会导致一系列无法想象的错误的发生!
1. conda --version #查看conda版本，验证是否安装

2. conda update conda #更新至最新版本，也会更新其它相关包

3. conda update --all #更新所有包

4. conda update package_name #更新指定的包

5. conda create -n env_name package_name #创建名为env_name的新环境，并在该环境下安装名为package_name 的包
可以指定新环境的版本号，例如：
conda create -n python2 python=python2.7 numpy pandas，
创建了python2环境，python版本为2.7，同时还安装了numpy pandas包

6. source activate env_name #切换至env_name环境

7. source deactivate #退出环境

8. conda info -e #显示所有已经创建的环境

9. conda create --name new_env_name --clone old_env_name #复制old_env_name为new_env_name

10. conda remove --name env_name –all #删除环境

11. conda list #查看所有已经安装的包

12. conda install package_name #在当前环境中安装包

13. conda install --name env_name package_name #在指定环境中安装包

14. conda remove -- name env_name package #删除指定环境中的包

15. conda remove package #删除当前环境中的包

16. conda create -n tensorflow_env tensorflow

conda activate tensorflow_env #conda 安装tensorflow的CPU版本

17. conda create -n tensorflow_gpuenv tensorflow-gpu

conda activate tensorflow_gpuenv #conda安装tensorflow的GPU版本

18. conda env remove -n env_name #采用第10条的方法删除环境失败时，可采用这种方法

19. conda install --channel https://conda.anaconda.org/anaconda tensorflow=1.8.0 
提供一个下载地址，使用上面命令就可安装1.8.0版本tensorflow

conda clean -p 删除一些没用的包，这个命令会检查哪些包没有在包缓存中被硬依赖到其他地方，并删除它们

conda clean -t可以将conda保存下来的tar打包。

conda clean -y -all //删除所有的安装包及cache

这里给出tensorflow对应版本cuda和cudnn版本对照参考。

tf_cuda_cudnn

accumulater
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
miniconda anaconda 安装 tensorflow-gpu
阿豪
01-11 135
原文链接: miniconda anaconda 安装 tensorflow-gpu ...
tensorflow安装Anaconda3
weixin_50613762的博客
04-02 2709
主要是安装Anaconda3的图文详解
tensorflow-gpu缺少的cublas64-11.dll等.dll文件全在这了
01-29
tensorflow-gpu缺少的cublas64_11.dll等.dll文件全在这了，我打包了所有的文件。
使用anaconda配置标配版gpu的torch==1.2.0（30系列以下显卡）
向往有那么一天梦幻的步态识别落地，开花❀！
05-28 3994
环境内容 torch：1.2.0 torchvision：0.4.0 环境配置 环境配置 1、Anaconda的下载 ————————————————新版本anaconda的下载： 安装最新的Anaconda，首先登录Anaconda的官网：Anaconda | Individual Edition。直接下载对应安装包就可以。 2、Anaconda的安装 选择安装的位置，可以不安装在C盘。 我选择了Add Anaconda to my PATH environment variable.
配置Tensorflow使用GPU加速（Tensorflow2.6.0，Python3.6-3.9，CUDA11.2，cuDNN8.1）
最新发布
m0_68167270的博客
06-04 1288
对于刚使用Tensorflow的朋友来说，配置环境并使用GPU进行加速也是件令人头疼的事情，纯自己折腾会遇到比较多的坑，我对我安装Tensorflow的过程进行总结，我所安装的Tensorflow版本是2.6.0，与之对应的Python为3.6-3.9，CUDA为11.2，cuDNN为8.1。
Anaconda配置深度学习环境并安装GPU版torch
weixin_46069193的博客
10-03 1万+
Anaconda配置深度学习环境并安装GPU版torch
anaconda+tensorflow-GPU安装配置
wangkaiT1234的博客
07-19 1432
anaconda配置神经网络开发环境
使用Anaconda配置GPU版本Tensorflow简要说明
qq_38328821的博客
03-29 884
这里记录的安装过程是在Windows11系统下进行的，但是对于其他系统下的安装亦有参考之用。
Windows10使用Anaconda安装Tensorflow-gpu的教程详解
10-15
Anaconda是一个方便的python包管理和环境管理软件，...这篇文章主要介绍了Windows10使用Anaconda安装Tensorflow-gpu的教程，本文通过图文并茂的形式给大家介绍的非常详细，具有一定的参考借鉴价值,需要的朋友可以参考下
tensorflow-gpu1.5.rar
03-12
然后，下载TensorFlow-GPU的正确版本，通过pip命令进行安装，或者在Anaconda环境中进行管理。安装完成后，用户需要在代码中指定使用GPU设备，才能充分利用其计算能力。 在实际应用中，TensorFlow-GPU 1.5支持多种...
anaconda，cuda，torch-gpu，tensorflow-gpu，pycharm
04-01
在本文中，我们将详细介绍如何在Windows 10系统下，针对新手从零开始安装并配置`anaconda`、`cuda`、`cudnn`、`torch-gpu`以及`tensorflow-gpu`，并使用`pycharm`进行环境配置。这个过程对于深度学习初学者尤其有用...
cublas64_11.dll cublasLt64_11.dll cusolver64_11.dll
09-14
cublas64_11.dll cublasLt64_11.dll cusolver64_11.dll cusparse64_11.dll
tensorflow-gpu1.12.0离线安装所需库的安装包
02-18
2. **配置环境变量**: 设置CUDA和cuDNN的路径到系统的环境变量中，这样TensorFlow才能找到它们。 3. **创建Python虚拟环境**: 使用conda或pip创建一个新的Python环境，避免与其他项目产生冲突。 4. **安装Python...
win10下Anaconda CUDA cudnn 和 tensorflow-gpu 的安装及其环境配置-附件资源
03-05
win10下Anaconda CUDA cudnn 和 tensorflow-gpu 的安装及其环境配置-附件资源
anaconda安装tensorflow-gpu
m0_74143716的博客
07-18 2235
tensorflow-gpu的安装
关于在anaconda的虚拟环境中安装tensorflow_gpu的安装步骤，及常出现的一些问题
weixin_46100993的博客
04-14 346
0.1. 启动Anaconda Prompt创建环境conda create -n 环境名 python=版本号(例3.8)或conda create -p 指定环境路径 python=版本号待完成之后，可通过以下命令查看现有的虚拟环境0.2. 安装tensorflow进入刚才篡创建好的虚拟环境conda activate 环境名(或环境路径名)根据自己电脑的配置安装对应版本的tensorflow，详见tensorflow官网tensorflow官网安装及版本指南。
Anaconda 安装Tensorflow-gpu 版本详细教程
热门推荐
qq_43477055的博客
11-12 1万+
Anaconda 安装Tensorflow-gpu 版本详细教程
在使用cuda12 报错Library cublas64_11.dll is not found
atlasroben的专栏
05-04 1万+
faster_whisper安装报错,CUDA调用报错解决方法
tensorflow基础学习-anaconda方式安装tensorflow（gpu-1.15.0版本）
小夭的博客
11-01 1万+
前言 关于anaconda方式安装tensorflow(cpu版本)之前已经有博客写过了。这一次更新一下anaconda方式安装tensorflow（gpu版本），他们的区别在于TensorFlow-gpu版对安装的要求要高些，需要NVIDIA的驱动及CUDA工具支持。 1、关于CPU、GPU、CUDA、cuDNN的理解 关于这一块，我刚刚入门，就直接引入了别人写好的理解关于CPU、GPU、CUDA、cuDNN的理解 gpu与cpu GPU（图像处理器，Graphics Processing Unit）和
anaconda安装tensorflow-gpu教程
08-02
下面是一个简单的教程，以帮助您安装和配置Anaconda和TensorFlow-GPU。 1. 首先，您需要从Anaconda官方网站（https://www.anaconda.com/）下载和安装最新的Anaconda发行版。选择适用于您操作系统的版本并按照安装...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值