TensorFlow_GPU安装流程

0.硬件

显卡：Tesla K80

1.查看本机GPU信息

需要安装支持 CUDA® 的显卡，才能实现 GPU 支持。支持 CUDA Compute Capability 3.0 或更高版本的 GPU 卡，可用从源码构建或 3.5 或更高版本的二进制文件。请在 NVIDIA 官方文档 中查询具备条件的 GPU 清单。

搜索栏输入cmd回车（进入cmd）输入:

nvidia-smi

 找到两个关键信息:

        Name:Tesla K80

        CUDA Version: 10.2

2. 查看CUDA Compute Capability

网址CUDA GPUs | NVIDIA Developer。

可以看到Tesla K80的Compute Capability=3.7>3.0,满足要求可以安装TensorFlow-GPU

 3. 安装CUDA和cuDNN。

在官网上下载对应的cuda和cudnn，版本可以低于但不能高于电脑支持的版本。cuda下载地址：CUDA Toolkit Archive | NVIDIA Developer，cuDNN下载地址：cuDNN Archive | NVIDIA Developer

①输入如下指令查看是否安装CUDA

nvcc -V

如果Cuda已安装且版本低于第1步查到的CUDA Version: 10.2,则可以直接转第4步.

②下载的是CUDA Toolkit，选择相应的系统、版本等选项，Download安装包。
我这里下载的是CUDA Toolkit 10.0

③下载对应版本的cuDNN。这里选择的是cuDNN v7.6.4 for CUDA 10.0。

 ④CUDA安装：选自定义安装→默认安装路径→安装结束.
安装完成后，会默认生成两个系统变量。
系统变量查看：此电脑→右键选属性→高级系统设置→环境变量→系统变量
 
这里可以在系统变量中找到path→编辑→新建.添加4条路径

⑤cuDNN安装：解压→将三个文件夹复制到cuda的安装目录下，直接选择覆盖文件就可以

 4. 下载并安装Anaconda

①下载地址Anaconda | Anaconda Distribution

②安装完成后，打开Anaconda Prompt，输入命令：

conda --version        #查看安装的版本
conda env list         #查看已经安装的环境，右边“*”表示当前使用的环境

 5. 创建环境

    ①查看合适的TensorFlow版本和依赖的Python版本,参阅经过检测的构建配置.

     ②创建tensorflow环境，输入命令：

conda create -n tensorflow python=3.7

表示创建一个名字为tensorflow的环境，这个环境用的python版本是3.7版本的

③创建成功后，输入命令：

conda create -n tensorflow python=3.7

可以看到tensorflow环境已经创建，星号为当前所在环境（基础环境base）。

④进入环境，输入命令：
activate tensorflow就可以进入tensorflow环境中。

• 安装tensorflow-gpu,输入以下命令

  ​pip install tensorflow-gpu ==2.0.0 --default-timeout=100 -i Simple Index

后面的后缀使用的是清华镜像，若不使用，则是从国外网站进行安装，有很大可能下载不下来，导致安装失败，除了清华源，这里再提供几个常用的源。

中科大镜像：https://pypi.mirrors.ustc.edu.cn/simple
豆瓣镜像：http://pypi.douban.com/simple/
阿里镜像：https://mirrors.aliyun.com/pypi/simple/
百度镜像：https://mirror.baidu.com/pypi/simple

    注：这里选择的tensorflow-gpu版本要和之前选择的cuda版本对应，对应图在上面。安装过程比较缓慢，耐心等待即可.

• 退出环境：

conda deactivate

6. 测试tensorflow-gpu是否安装成功

    ①测试代码

import tensorflow as tf
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print(tf.__version__)
print(tf.test.gpu_device_name())
print('GPU:',tf.config.list_physical_devices(device_type='GPU'))
print('CPU:',tf.config.list_physical_devices(device_type='CPU'))
print(tf.test.is_gpu_available())

报错处理A：

Could not load dynamic library ‘cusolver64_11.dll‘； dlerror: cusolver64_11.dll not found

解决办法：

链接：百度网盘 请输入提取码

提取码：u65i

下载文件，把文件cusolver64_11.dll添加到创建的环境\Library\bin中

报错处理B：

TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:
 1. Downgrade the protobuf package to 3.20.x or lower.
 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

解决办法：

pip install protobuf==3.20.0

出现以下结果代表安装成功 

②简单测试CPU和GPU的速度

import tensorflow as tf
import timeit
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        cpu_c = tf.matmul(cpu_a, cpu_b)
        # print( "cpu_a: ", cpu_a.device)
        # print( "cpu_b: ", cpu_b.device)
        # print("cpu_c:", cpu_c.device)
    return cpu_c
#指定在gpu上运行
def gpu_run()：
    with tf.device( '/gpu:0'):
        gpu_a = tf.random. normal([ 10000,1000])
        gpu_b = tf.random. normal([ 1000, 2000])
        gpu_c = tf.matmul(gpu_a, gpu_b)
        # print( "gpu_a: ", gpu_a.device)
        # print("gpu_b: ", gpu_b.device)
        # print("gpu_c: ", gpu_c.device)
    return gpu_c
cpu_time = timeit.timeit(cpu_run, number = 10)
gpu_time = timeit.timeit(gpu_run, number = 10)
print('cpu:',cpu_time, 'gpu:',gpu_time)

7.删除虚拟环境

如果安装出现问题可以删除所创建的环境

# 第一步：首先退出环境
conda deactivate
# 第二步：查看虚拟环境列表，此时出现列表的同时还会显示其所在路径
conda env list
# 第三步：删除环境
conda env remove -p 要删除的虚拟环境路径

8.参考资料

官方安装指南

 tensorflow详细安装教程（Win10, Anaconda，Python3.9）_tensorflow安装教程_Yan_Yancy的博客-CSDN博客

tensorflow-gpu版本安装教程（过程详细）_tensorflow gpu_指尖在键盘上舞动的博客-CSDN博客