使用GPU运行TensorFlow模型的教程

最新推荐文章于 2025-04-13 23:00:52 发布

努力Study的小陈

最新推荐文章于 2025-04-13 23:00:52 发布

阅读量1.5w

点赞数 53

文章标签： tensorflow 人工智能 python

本文链接：https://blog.csdn.net/m0_71417856/article/details/136298172

版权

本文详细介绍了如何在Python环境下使用GPU加速TensorFlow模型，包括前置知识、安装步骤、CUDA与cuDNN的作用、以及常见问题如CUDA版本冲突和GPU未检测到的解决方案。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

使用GPU运行TensorFlow模型的教程

使用GPU运行TensorFlow模型的教程

使用GPU运行TensorFlow模型的教程

1. 前置知识介绍

1.1 为什么要使用GPU跑模型

优势

并行处理能力：GPU 设计用于高效地处理并行任务。由于机器学习和深度学习模型涉及大量的矩阵和向量运算，这些运算可以并行处理，因此 GPU 在这些任务中表现出色。
更快的计算速度：对于大规模的深度学习模型，GPU 可以显著加快训练时间。这是因为 GPU 拥有成千上万的小核心，可以同时执行大量的运算，而 CPU 通常只有几个核心。
适合复杂运算：深度学习模型，尤其是大型的神经网络，需要大量的复杂运算。GPU 的架构使其更适合这类计算密集型任务。

劣势

成本：高性能的 GPU 通常比 CPU 更昂贵。此外，使用 GPU 可能还需要更高成本的电源和冷却系统。
能耗：GPU 在运行时通常消耗更多电力，这会导致更高的运营成本。
编程复杂性：虽然许多深度学习框架（如 TensorFlow 和 PyTorch）简化了使用 GPU 的过程，但在某些情况下，优化 GPU 代码以获得最佳性能可能比 CPU 更复杂。
通用性：对于不涉及大量并行计算的任务，CPU 可能是更好的选择。CPU 通常更适合处理需要复杂逻辑和控制流的程序。

简单来说就是GPU的速度更快，效率更高，但是成本更高，配置起来有难度

1.2 TensorFlow库

TensorFlow 是一个由 Google Brain Team 开发的开源机器学习库，用于数据流编程。它是一个数学软件，特别适用于大规模机器学习。TensorFlow 最初是为了内部使用而开发的，后来在 2015 年被开源。自那以后，它已经成为机器学习和深度学习领域最流行的框架之一。以下是 TensorFlow 的一些关键特点：

多种用途：虽然 TensorFlow 最初是为了深度学习而设计的，但它也可以用于其他类型的机器学习算法。
灵活性：TensorFlow 允许开发者以 Python 等多种语言创建图模型，这些图模型是一系列可以在多个 CPU 或 GPU 上运行的计算操作。它支持从简单的线性回归到复杂的神经网络的各种算法。
可扩展性：TensorFlow 支持从笔记本电脑到大型服务器集群的不同计算平台。它可以在单个 CPU/GPU 上高效运行，也可以在多台机器和大型分布式系统上扩展。
强大的社区和支持：作为一个开源项目，TensorFlow 拥有一个活跃的社区，提供大量的教程、文档和新的研究成果。Google 也提供了强大的支持，包括定期更新和新功能。
集成工具：TensorFlow 配备了许多用于可视化（如 TensorBoard）、模型部署等的工具，以及与其他谷歌服务的集成，如 Google Cloud Platform。
应用广泛：TensorFlow 已被用于多种领域，包括语音和图像识别、自然语言处理、医学信息学、计算机视觉等。
Keras 集成：Keras 是一个流行的高级神经网络 API，它被集成在 TensorFlow 中，提供了一种简单和快速的方式来构建和训练模型，使得 TensorFlow 对初学者更友好。

1.3 Anaconda

Anaconda是Python的包管理器和环境管理器，在网络上已经有很多安装的教程了，并且相对简单，在此教程中不再赘述

请读者在进行后续的配置前，先安装好Anaconda

1.4 CUDA和cuDNN

使用TensorFlow时，并不一定需要CUDA和cuDNN，这取决于你是否打算在NVIDIA的GPU上运行TensorFlow。下面是关于CUDA、cuDNN和它们与TensorFlow之间关系的详细解释：

CUDA

什么是CUDA？ CUDA（Compute Unified Device Architecture）是由NVIDIA开发的一个平行计算平台和API模型。它允许软件开发者和软件工程师使用NVIDIA GPU进行通用处理（也就是GPGPU，General-Purpose computing on Graphics Processing Units）。
为什么TensorFlow需要CUDA？ 如果你想在GPU上运行TensorFlow以加速模型的训练和推理过程，那么就需要CUDA。TensorFlow的GPU支持利用CUDA作为底层来直接与NVIDIA的GPU硬件交互。

cuDNN

什么是cuDNN？ cuDNN（CUDA Deep Neural Network library）是NVIDIA发布的一个用于深度神经网络的GPU加速库。它提供了高度优化的常用深度学习操作，比如卷积、池化等。
为什么TensorFlow需要cuDNN？ 当你在使用TensorFlow进行深度学习任务，尤其是涉及到复杂神经网络结构时，cuDNN可以提供额外的优化和加速。TensorFlow在GPU上的许多操作都是通过调用cuDNN库实现的。

关联和使用场景

只用CPU：如果你只打算使用CPU运行TensorFlow，那么不需要安装CUDA和cuDNN。
用GPU：如果你打算使用NVIDIA GPU，那么需要安装CUDA和cuDNN，因为TensorFlow的GPU支持依赖于这两个库来实现高效的计算。（本教程使用的是GPU，所以需要安装，后续有涉及相关的教程）

1.5 Pycharm和Jupyter

两个都是集成开发环境（IDE），如何在这两个IDE中使用Pycharm本教程都会有所涉及

2. 前期准备工作

在这一部分中，主要要做以下两件事：

查看自己电脑的环境配置（Tensorflow-gpu，Python，cuda，cuDNN）
安装对应版本的软件

下面进入正式的教程：

首先查看自己电脑的GPU

右键此电脑→右键选管理→设备管理器→显示适配器

看有没有独显，比如笔者的是NVIDIA GeForce RTX 4060
可在下面网站中查看自己电脑显卡的相应算力，太低的不建议安装（最好>=5.0)

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

如果对显卡性能感兴趣的读者可以参考该链接深度学习GPU显卡选型攻略

查看相关的显卡驱动，以及最高支持的CUDA版本
- 可以在NVIDIA控制面板查看
- 也可以在cmd中输入nvidia-smi查看相关信息

3. 正式安装

查看相应版本关系（最重要！！！)

来到官网选择想对应的版本，一定要匹配，按照官方文档一一对应（注意还要切换为英文，中文的参考不完整）

官方文档地址

下面是笔者的环境和选择安装的版本：

环境/系统信息	描述
操作系统	win11
显卡	NVIDIA GeForce RTX4060
Python	3.8.18
tensorflow-gpu	2.10.0
cuda	11.2
cuDNN	8.1

根据选择的版本去下载相应的cuda和cuDNN，可参考以下链接

CUDA、CUDNN在windows下的安装及配置_配置cudnn-CSDN博客

cuda下载地址：CUDA Toolkit Archive | NVIDIA Developer；

cudnn下载地址：cuDNN Archive | NVIDIA Developer。

请验证完毕后再进行后续的操作，没有这两个会导致tensorflow检测不到可用GPU的问题

运行nvcc --version检查是否成功安装

如何验证是否安装完成：

在该目录下C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite分别执行

.\bandwidthTest.exe,.\deviceQuery.exe

如果Result都为PASS的话则配置成功
打开Anaconda prompt

3.1) 直接以管理员身份运行

3.2) 创建新的环境，名字叫test，指定python版本为

(如果不希望环境创建在C盘，可参考w11下载anaconda在d盘，新建的虚拟环境总是在c盘怎么解决)

3.8.18conda create -n test python=3.8.18

等他跳完，像下面这样就可以了

3.3) 进入该环境conda activate test，使用pip进行下载pip install tensorflow-gpu==2.10.0

3.4) 进入python，输入以下代码
```
import tensorflow as tf
tf.__version__
```
如成功显示版本则说明配置成功

3.5) 退出环境

conda deactivate

4. 测试 Tensorflow-gpu 是否安装成功

pycharm

按如图切换Pycharm的相应配置

输入以下代码：

import tensorflow as tf

print(tf.__version__)
print(tf.test.gpu_device_name())
print(tf.config.experimental.set_visible_devices)
print('GPU:', tf.config.list_physical_devices('GPU'))
print('CPU:', tf.config.list_physical_devices(device_type='CPU'))
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())
# 输出可用的GPU数量
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
# 查询GPU设备

若显示True和相应的可用数量，则配置成功

Jupyter notebook

首先需要添加相应的内核：

python -m ipykernel install --user --name=test --display-name test

--name=test：这指定了新内核的名称。在这个例子中，内核被命名为test。这个名字是在Jupyter Notebook中选择内核时看到的名称。

--display-name "test"：这指定了内核在Jupyter Notebook界面中显示的名称。在这个例子中，显示名称也设置为"test"。