用pip配置tensorflow-gpu2.10（python3.10+cuda11.8）

大刀_金

已于 2024-02-21 19:20:37 修改

阅读量8k

点赞数 54

文章标签： pip tensorflow 人工智能

于 2024-02-21 17:18:30 首次发布

本文链接：https://blog.csdn.net/m0_74284073/article/details/136212834

版权

本来环境配置好了torch-gpu，结果今天发现模型需要tensorflow-gpu，因此在python3.10和cuda11.8的基础上，使用pip配置了对应版本的cudnn和tensorflow-gpu。
部署环境：RTX 3050 + win11

1.看python的版本

进入环境，输入

python

得到我的python版本是3.10.11 在这里插入图片描述

2.看cuda的版本

因为之前已经下载过cuda了，所以可以直接
输入

pip list

往下找到torch，得到CUDA版本为11.8
在这里插入图片描述
提示：如果还没有安装cuda的，可以参考一下链接
链接: CUDA安装教程（超详细）

3.选择cudnn的版本

点击链接: cuDNN Archive
（1）新用户需要注册，注册后来到这个页面在这里插入图片描述
（2）找到Download cuDnn vX.X.X for CUDA 11.x的字样
其中，v8.9.7代表cuDNN的版本是8.9.7，并且这个版本与CUDA11.x适配

（3）点击Download cuDNN vX.X.X for CUDA 11.x，就会发现页面顶格了这条黑字体，这说明以下蓝体字就是cuDNN的8.9.7版本，点击自己电脑对应的系统并且下载（因为我是windows，因此选择第一个）在这里插入图片描述
（4）解压cuDNN，将各个文件夹里面的内容复制到CUDA对应的文件夹里面去，如果有重复名称的就替换
ATTENTION:不是直接把文件夹复制过去，而是把文件夹里面的内容复制率放过去！！

（5）点击设置

在这里插入图片描述
点击新建，将下面的地址添加进去

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp

（6）打开C：\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\extras\demo_suite
右击空白处，在终端打开
在这里插入图片描述

（7）输入.\bandwidthTest.exe和.\deviceQuery.exe，结果如下，代表没问题
在这里插入图片描述

4.删除之前下错了的tensorflow安装包

ATTENTION:安装之前，要把环境中有关tensorflow的安装包全部删掉！！

因为之前贪懒所以没有删，导致一直出现红字
ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts.

tensorflow-intel 2.11.1 requires keras<2.12,>=2.11.0, but you have keras 2.10.0 which is incompatible.
tensorflow-intel 2.11.1 requires tensorboard<2.12,>=2.11, but you have tensorboard 2.10.1 which is incompatible.
tensorflow-intel 2.11.1 requires tensorflow-estimator<2.12,>=2.11.0, but you have tensorflow-estimator 2.10.0 which is incompatible.
在这里插入图片描述

个人的想法是这样的：我只打入了命令pip install tensorflow，并没有打入命令去下载tensorboard这些包。这说明这些包是下载tensorflow自带的。如果我删完了，下载tensorflow也会自动附带适配版本的包。如果我没删完，那么这些残留的包就会阻碍tensorflow新版本的下载。

这时候有两种方法
1.❤️由报错可知，只有tensorflow-intel 2.11.1阻碍了包的下载，因此pip uninstall tensorflow-intel 2.11.1后，即可进入下一步

 这里需要注意一点：

如果出现WARNING: Skipping tensorboard as it is not installed.但是pip list中明明看到了有这个包，并且包的名字没有打错，说明这个包不在当前环境里，有可能是在base环境里，需要回到base环境去删除

2.输入命令pip list，把ERROR中版本不对应的以及pip list中以“tensorflow”开头的包全部删掉
在这里插入图片描述

5.使用命令安装tensorflow-gpu的2.10.1版本

全部的安装包删除完，输入

pip install tensorflow-gpu==2.10.1

这时候应该没什么错了吧😢

如果出现ERROR:Could not find a version that satisfies the requirement tensorflow-gpu == (from versions 2.8.0,2.8.1,2.9.0.....)，这说明你的python版本和 tensorflow-gpu的版本不符合，应该选择2.8.0以上的版本

如果不知道应该选择tensorflow-gpu的什么版本，可以用搜搜其他经验帖，以此推测一下，也可以看看官网。如果直接问GPT4和C知道，给的答案并不靠谱🥲

6.使用命令检查tensorflow-gpu是否能够使用

验证是否成功安装和调用GPU进行运算

python
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
#这一行输出至少是数量1，说明有1个显卡
print("CUDA Available:", tf.test.is_built_with_cuda())
#这一行要输出True
print("GPU Support:", tf.test.is_built_with_gpu_support())
#这一行也要输出True

最后试验一下是否可行。如果显示True和[PhysicalDevice(name=‘/physical_device:GPU:0’, device_type=‘GPU’)]，则说明tensorflow安装成功🥰

python
import tensorflow as tf
print(tf.test.is_gpu_available())
#应该显示True
tf.config.list_physical_devices('GPU')
#应该显示[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

参考帖：

1.ERROR: pip‘s dependency resolver does not currently take into account all the packages 解决办法分享
2. CUDA与cuDNN安装教程（超详细）