(步骤清晰)tensorlow-gpu+CUDA+cudnn环境的配置
走进深度学习的第一步就是配置好深度学习网络框架的环境,GPU的适配是深度学习中必不可少的。
目录
第一步:查看自己的Windows上nvidia显卡的基本信息
- 在命令行中输入nvidia-smi指令
- 关键信息为驱动版本Driver Version: 527.37,CUDA Version: 12.0
第二步:驱动版本需要与CUDA版本对应
- 如果上表中无法找到你的驱动版本,则可以访问官网查询(官网没有对各个CUDA对应驱动情况进行整合)
- 如若你想要更新你的驱动版本,可以到官网选择你的显卡对应的驱动进行下载NVIDIA Driver Downloads(https://www.nvidia.com/download/index.aspx?lang=en-us)
第三步:tensorflow-gpu版本需要与CUDA版本和CUDNN对应
- 这里的版本号代表最大支持版本,并向下兼容。
- 同时如果上表中无法找到你的tensorflow-gpu版本,则可以访问官网(https://tensorflow.google.cn/install/source?hl=en#gpu)查询
- 在上述二、三步的判断后,确定你的CUDA版本,进入官网下载CUDA Toolkit下载网址(https://developer.nvidia.com/cuda-toolkit-archive)
- 在安装CUDA时,建议直接使用默认的安装方式。
#tensorlfow-gpu的安装,直接使用pip即可,2.1.0可换成你所需的版本号
pip install tensorlfow-gpu=2.1.0
第四步:下载安装CUDA对应的CUDNN
第三步的表中已经给出了CUDNN的具体对应情况,进入官网下载(需要注册)cuDNN下载网址(https://developer.nvidia.com/rdp/cudnn-archive)
下载解压完成之后直接把里面的所有文件复制到CUDA Toolkit安装目录中
安装目录的查找方法:
- 打开你的环境变量,如若你按照默认的安装方式,则类似于下图中的路径即为CUDA Toolkit安装目录。
- 复制到该文件夹路径即可(下图为复制后的文件夹)
第五步:启动环境,验证是否成功
- 命令行输入:
# 查看tensorflow版本信息
conda list tensor
# 查看系统的cudatoolkit版本。
conda list cud
关于cudatoolkit版本,可能通过该命令无法查询到具体的信息,此命令仅仅作为参考,不影响最后结果。
若在安装完CUDA后使用nvidia-smi命令,CUDA版本未更新,也属于正常现象。
- 创建python文件:
# 查看tensorflow-GPU是否兼容CUDA
import tensorflow as tf
print(tf.config.experimental.list_physical_devices('GPU'))
# 若成功使用GPU则输出:
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
若输出上述信息则恭喜你,环境配置成功,可以使用GPU运行TensorFlow程序