Anaconda同时安装PyTorch和TensorFlow2.x版本教程（Windows + GPU/CUDA）

12!

已于 2024-08-15 17:35:38 修改

阅读量1.3k

点赞数 24

文章标签： pytorch tensorflow windows 深度学习

于 2024-08-05 00:17:33 首次发布

本文链接：https://blog.csdn.net/m0_46611848/article/details/140913652

版权

参照之前用Anaconda同时安装PyTorch和TensorFlow版本教程（Windows + CPU），本文也是个人在2024年8月安装PyTorch和TensorFlow版本（Windows + GPU/CUDA）过程中的笔记，如有错误，请多指正。

安装环境： Windows、Anaconda、GPU/CUDA
安装要求：明确个人对TensorFlow版本的需求，以及保证网络稳定、网速良好

本人也是小白，所以会尽可能细致地做笔记。

一. Anaconda配置新虚拟环境

1. 配置镜像源（非必选）

由于安装不同库时每个人看的教程不同，可能给Anaconda配置了不同的镜像源（即channels），为了保证以下安装流程顺利进行，在网速良好的情况下，可以重置镜像源至默认镜像源。强调网速是因为默认镜像源属于国外的……

首先，在Windows的“开始”界面，找到并以管理员身份运行Anaconda Prompt。

重置镜像源至默认镜像源（非必选）：

conda config --remove-key channels

查看镜像源：

conda config --show channels

如果窗口内容显示为-default，则重置成功。

2. 配置新虚拟环境

Anaconda默认的虚拟环境名字为base，但为了适应各版本代码需求，通常考虑配置新环境而不是在base里直接安装各种库。

在配置环境之前，需要确认Python版本，因为Python版本将影响Pytorch和TensorFlow。

我选择Python3.9，这个不算很新，跟许多库都适配。如果是安装TensorFlow 2.x版本，Python版本为 3.7 - 3.10 都可以。

conda create -n pytorch python=3.9

该代码中的pytorch是虚拟环境名称（可自行更改，命名要求通常是英文字母和数字的组合，记住即可）。

3. 激活新虚拟环境

activate pytorch

此处pytorch为我设置的虚拟环境名称，需按个人设置进行替换

4. 查看CUDA版本

要安装PyTorch、TensorFlow，必须查看其对应于Python、CUDA的版本，否则会出现不兼容等问题导致安装失败。既然是在CUDA安装，那必须知道自己的CUDA版本！

查询方式有两种，任选其一。

（1）用Anaconda Prompt窗口（推荐）

nvcc --version

查询结果为：

nvcc: NVIDIA ® Cuda compiler driver
Copyright © 2005-2019 NVIDIA Corporation
Built on Fri_Feb__8_19:08:26_Pacific_Standard_Time_2019
Cuda compilation tools, release 10.1, V10.1.105

可以看到当前环境的CUDA为10.1.105，每个人的设备配置不同，接下来的安装指令也可能不一致。

（2）用cmd窗口

此处查询比较特殊，不在Anaconda的Prompt窗口，需要键盘上的Windows键+R键进入cmd：

cmd
在cmd窗口中输入查询指令：

nvcc --version
nvidia-smi

查询结果：

查询结果
表格右上角的CUDA Version：12.2表示当前设备能安装的CUDA最高版本。

5. 安装CUDA和cuDNN

根据博文《Anaconda虚拟环境中安装cudatoolkit和cudnn包并配置tensorflow-gpu》（作者：LiaoKyle）介绍，Windows上的GPU仅适用于2.10或更早的TensorFlow版本。

TensorFlow版本	Python版本	cuDNN	CUDA
2.12 - 2.14	3.9 - 3.11	8.6 - 8.7	11.8
2.8 - 2.11	3.7 - 3.10	8.1	11.2
2.5 - 2.7	3.6 - 3.9	8.1	11.2

省流：能够在GPU上运行的版本列表是：

TensorFlow 2.10
CUDA 11.2
cuDNN 8.1

CUDA版本不是11.2的，可能需要在虚拟环境里重新安装CUDA。

理论上，如果不用GPU来加速算法，即使CUDA版本不对，也能安装TensorFlow，只是在运行时缺少必要的CUDA和cuDNN库而已。

（1）自动安装

查看CUDA包：

conda search cudatoolkit

指定安装CUDA：

conda install cudatoolkit==11.2

查看cudnn包：

conda search cudnn

指定安装cudnn版本：

conda  install cudnn==8.1.0

（2）手动安装

一般来说安装CUDA11.2和cuDNN8.1不会那么顺利，血与泪的经验教训啊……老实说上述自动安装步骤我压根没法按流程走，因为查询结果显示当前环境支持的CUDA版本里并不包含11.2，我都要疯了，最后只能手动安装。

安装教程参考博文《CUDA与cuDNN详细安装教程（最新）》（作者：盼盼面包）。由于该博文作者想要的CUDA版本和我的不一致，这里细心贴出链接和版本名称，其他流程一致，不赘诉。

①下载CUDA

CUDA11.2版本：https://developer.nvidia.com/cuda-toolkit-archive

在这里插入图片描述
我选了CUDA Toolkit 11.2.2，其实选哪个都行，毕竟都属于11.2的。点击后会出现更细致的选项，如下图。

在这里插入图片描述
这里的选择分别是： Windows – x86_64 –10，点击后下载。

②下载cuDNN

cuDNN8.1版本：https://developer.nvidia.com/rdp/cudnn-archive

在这里插入图片描述

这里的选择是截图里的第一个，即cuDNN v8.11 （Feburary, 26th, 2021） for CUDA 11.0, 11.1 and 11.2。总之一定要选到对应CUDA的版本。点击后会出现更细致的选项，如下图。

在这里插入图片描述
系统是Windows，选cuDNN Library for Windows(x86)这一版本进行下载。

剩下的流程请务必参照博文《CUDA与cuDNN详细安装教程（最新）》（作者：盼盼面包），而且需要保持耐心和细心，因为需要修改系统环境变量。

6. 查看新配置的CUDA和cuDNN（非必选）

nvcc --version

输出结果：

结果显示Cuda compilation tools, release 11.2, V11.2.152，说明CUDA版本已经切换成功。

二. 安装PyTorch

1. 查看适配的PyTorch版本

个人建议直接通过PyTorch官网查看：https://pytorch.org/

一直往下滑，直到出现这个界面：
PyTorch

可以看到PyTorch官网给出的CUDA版本只有CUDA11.8、CUDA12.1和CUDA12.4……如果你的版本不是这个，可以点击当前Pytorch界面左下角的Previous Versions of PyTorch查看相应的版本代码。

系统： Windows
语言： Python
其他选项如是Cuda还是pip则取决于个人。

记得复制Run thisCommand一栏给出的安装指令。

2. 安装PyTorch

Pytorch官网给的安装指令能够一次性安装torch、torchvision等，方便快捷。由于我们的CUDA版本是11.2，官网上给的安装指令只有11.1和11.3的，因此我用chatGPT查找了相关指令。

安装PyTorch：

conda install pytorch==1.10.0 torchvision==0.11.1 torchaudio==0.10.0 cudatoolkit=11.2 -c pytorch

安装界面：（仅供参考，找不到实装的截图了）

输入y表示确认安装，下载速度依赖于网络。PyTorch的安装包大小合计有2G。

查看Python和PyTorch版本：

python --version
python -c "import torch; print(torch.__version__)"

在这里插入图片描述
也可以通过Conda来查看Python和PyTorch版本：

conda list

该命令是查看当前环境中所有已安装包的版本，其中可以找到pytorch（如下图）：

PyTorch

三. 安装TensorFlow

在Windows + CPU 里安装TensorFlow的教程里，我写了需要添加清华镜像源。同样地，在Windows + GPU/CUDA 里安装TensorFlow的时候，我也尝试了使用镜像源，配置速度很慢，因此这里我使用的是默认源。如果需要配置镜像源，可以按以下命令来操作：

路径添加清华镜像源（非必选）：

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

不论是否指定版本安装，都需要查询当前配置支持的版本。

查询当前配置支持的TensorFlow版本：

conda search tensorflow

查询结果（部分截图）：

查询结果

可以看到我当前环境支持安装的 TensorFlow 版本最高到2.10.0，怎么说呢，不算很新，能用，但不能让我使用“懒人安装”。

1. 指定TensorFlow版本

介于我当前环境支持的最高版本是2.10.0（本来GPU支持的最高版本也是TensorFlow 2.10），我只能选择指定版本安装。只要系统中正确安装并配置了 CUDA 和 cuDNN，就能使用pip安装TensorFlow。

用pip指定安装TensorFlow2.10：

pip install tensorflow-gpu==2.10

题外话：这里推荐使用 pip 安装 TensorFlow GPU 版本，没有别的原因，单纯是因为我使用conda安装失败了。以及……千万要记住是tensorflow-gpu而不是tensorflow，不然就要像我需要卸载了重新安装。

安装界面（错误示范，哭了）：

pip安装

可以看到截图里我下载的是tensorflow而非tensorflow-gpu，所以后来我卸载了重装，但是本教程里的安装指令是正确的！！！
pip install tensorflow-gpu==2.10
下图展示了tensorflow包的大小，约455.9MB，tensorflow-gpu包也一样大……网速慢的要遭罪了……

安装结束后，可以查询：

python -c "import tensorflow as tf; print('Num GPUs Available: ', len(tf.config.list_physical_devices('GPU')))"

如果输出为Num GPUs Available: 1，那就说明安装的TensorFlow能够在GPU上运行，否则最好检查一下CUDA和cuDNN的版本，因为虽然三者看上去都安装成功了，但版本并不适配。

记住，能够在GPU上运行的版本列表是：

TensorFlow 2.10
CUDA 11.2
cuDNN 8.1

在PyCharm的控制台或.py文件查询能否在GPU上使用TensorFlow：

import tensorflow as tf
print(tf.sysconfig.get_build_info()['cuda_version'])  # 查看CUDA，其输出应分别为 64_112
print(tf.sysconfig.get_build_info()['cudnn_version'])  # 查看cuDNn，其输出应分别为 64_8
gpus = tf.config.experimental.list_physical_devices('GPU')  # 列出所有物理设备
if gpus:
    print(f"Available GPU devices: {gpus}")
else:
    print("No GPU available.")
# 其输出应为 Available GPU devices: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

----------------------分割线(●’◡’●)

本教程也贴上conda安装的命令。往好处想，万一有人成功了呢？

conda指定安装TensorFlow2.10.0：（任选其一）

conda install tensorflow-gpu=2.10.0 -c pkgs/main

conda install tensorflow-gpu=2.10.0 -c conda-forge

2. 不指定TensorFlow版本（不推荐）

TensorFlow的官网：https://tensorflow.google.cn

在官网看到当前最新的TensorFlow版本为2.17，如果当前配置支持并且没有指定版本需求的话，可以考虑自动安装，但不推荐，因为GPU适配的版本最高到2.10。既然都考虑使用GPU加速算法了，就别自动安装了吧（超小声）。

安装TensorFlow（任选其一）：

conda install tensorflow-gpu -c conda-forge

conda install tensorflow-gpu -c defaults

conda install tensorflow-gpu -c anaconda

这条命令会自动安装适用于 GPU 的 TensorFlow 版本以及其所有依赖项，包括 CUDA 和 cuDNN。该指令下载的TensorFlow 2.x版本比较新。如前所述，我当前环境支持安装的最高版本是2.10.0，因此我使用该指令安装必然是失败的，所以安装过程中会出现依赖关系冲突的问题，即出现以下报错信息：

报错信息
但是！别着急关掉Prompt窗口！Anaconda会自动寻找不出现依赖关系冲突的包并进行测试，如下图所示。