【anaconda+tensorflow-gpu+pycharm （win版）超级全面的安装教程】

前言

通过血战三天三夜，历经七七四十九次回合，我终于把tensorflow-gpu的环境给配置好了，真的是踩坑无数，特此记录。
首先，在网上我发现了大概三种安装(anaconda+tensorflow-gpu)的方式，第一种是直接在虚拟环境中安装cuda+cudnn再装tensorflowgpu的，第二种是单独从官网下载安装cuda+cudnn再去虚拟环境装tensorflowgpu的，第三种是不装cuda直接装tensorflow gpu的
首先我先尝试的是第一种，第一种步骤简便，但是在虚拟环境中装cudnn的命令时总是报错，明明.condarc文件的anaconda镜像源也换了，显卡也符合要求，网也不卡，但就是报错，然后试了各种方法都不成功，有点玄学，遂放弃。
然后开始了第二种该方法，中间也是有个cudnn的问题（又是cudnn的问题，好像上辈子和他有点小仇），不过解决了，最终成功了，于是准备写博客记录下♥
至于第三种就没有尝试啦，想尝试的小伙伴可以去尝试下😀

首先进行版本的对应

一定一定一定要在安装之前确定好要安装的版本，要对应好再去下载安装❀查看对应版本传送门

那么，如何选择可以自己适用的版本呢？首先，先查看自己显卡的CUDA支持的最高版本
方法一：桌面右键打开NVIDIA控制面板-帮助-系统信息-组件

方法二：在cmd中输入nvidia-smi查看

由上图可以看出，我的CUDA最高到12，所以12及其以下的我都可以选择
由于最近看别人代码和运行别人代码以及书上代码好多是1.x版本的，所以我安装的是tensorflow_gpu 1.15，不过有的显卡的CUDA有最低的版本限制也要注意下，最好还是下载适合自己显卡最新的tensorflow_gpu
所以最终要安装的是:(按照上面版本对应的表格选择对应要下载的)

查看电脑支持的CUDA最高版本->选择合适的CUDA版本（一般低于CUDA最高版本的都可向下兼容，不过有的显卡限制CUDA最低版本需要根据实际情况查一下）->根据表格选择相应的cudnn,visual studio,tensorflow-gpu版本

安装visual studio

1)安装对应版本安装包
链接：https://pan.baidu.com/s/1yH8KyDb8-dVavX1lJzZn2A
提取码：1234
–来自百度网盘超级会员V4的分享（内含vs2017,vs 2019,cuda 10.0,cudnn 7.4,pycharm2023专业版)
2）只选择“使用C++桌面开发”即可，安装位置可以根据需要进行更改

cuda和cudnn安装

1.更新显卡驱动 传送门

2.cuda安装
1）下载cuda安装包
官网下载：传送门
如有需要下载和我相同的版本资源：
链接：https://pan.baidu.com/s/1yH8KyDb8-dVavX1lJzZn2A
提取码：1234
–来自百度网盘超级会员V4的分享（内含vs2017,vs 2019,cuda 10.0,cudnn 7.4,pycharm2023专业版注意网盘内资源版本)
官网安装教程：
1.选择需要的版本：

2.按下图选择：

local还是network都可，任君选择，我选的是network

2）点击exe安装包

这三个安装位置可以根据需要换到不是c盘，要记住这三个安装位置后面会用到

3）检验CUDA安装是否成功

3. cudnn的安装
1）下载cudnn
官网：传送门
如有需要下载和我相同的版本资源：
链接：https://pan.baidu.com/s/1yH8KyDb8-dVavX1lJzZn2A
提取码：1234
–来自百度网盘超级会员V4的分享（内含vs2017,vs 2019,cuda 10.0,cudnn 7.4,pycharm2023专业版注意网盘内资源版本)
官网安装教程：
a.选择点击所需的版本

b.选择使用平台
下载完得到一个压缩包
2）解压压缩包，将cudnn包里面的bin, include, lib 三个文件夹，将他们三个复制到中CUDA Documentation的那个路径中对应的bin, include, lib 三个文件夹中去。（就是刚才安装CUDA时候让记住的三个位置）即：
3）查看和修改环境变量

电脑-属性-高级设置-环境变量中的系统变量检查有无这两项，没则加之（CUDA Documentation的那个路径）
接下来，打开系统变量path

检查有无下面这四个路径，无则加之

这四个路径打开安装CUDA Documentation的那个路径下面文件，右键属性里面有文件位置可以复制路径到环境变量

anaconda下载安装

1.下载anaconda安装包（注意对应的python版本）由于我选择是python3.7
anaconda与python版本对应关系：传送门
官网下载：传送门
如果官网下载太慢可以采用清华镜像源下载
如有需要下载和我相同的版本资源：
链接：https://pan.baidu.com/s/1yH8KyDb8-dVavX1lJzZn2A
提取码：1234
–来自百度网盘超级会员V4的分享（内含vs2017,vs 2019,cuda 10.0,cudnn 7.4,pycharm2023专业版注意网盘内资源版本)
2.除了记得改安装位置和下图第一个一定要勾选（自动配置好环境变量）其他一路next即可

tensorflow-gpu

1.开始-搜索anaconda prompt 进入命令台
2.
查看所安装的anaconda对应的python版本

2.1创建虚拟环境(记得用自己选择的python版本）

conda create -n tensorflow-gpu python=3.7

2.2激活/启动虚拟环境

conda activate tensorflow-gpu

2.3 修改为清华源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

如果报错没有pip,安装：

pip install pip -U

2.4 安装Tensorflow-gpu 1.15
2.4.1安装

pip install tensorflow-gpu=1.15 

一定要保证在刚才创建启动的虚拟环境中安装即：

2.4.2 tensorflow-gpu 测试
在安装好tensorflow-gpu的虚拟环境中依次输入：

python
import tensorflow as tf
print(tf.__version__)
print(tf.test.is_gpu_available())
exit()

出现以上测试结果这证明tensorflow-gpu环境配备成功啦❀
然后输入exit()退出python编写
最后输入 conda deactivate tensorflow-gpu 或者conda deactivate 退出虚拟环境
2.4.3 测试不成功可能出现的问题及解决方案(没有error的可以不用看啦）：
1）输入import tensorflow as tf后报错（部分关键信息截图）：

解决方案：报错的主要原因是因为protobuf的版本太高而导致编译错误，所以我们只需要按照编译器提示的信息下载3.19.0对应的版本即可解决问题。

pip install protobuf==3.19.0

2）输入 print(tf.test.is_gpu_available())后返回的是false
解决方案：传送门
不过我的false的原因不在这几种里面，我感觉我的这个问题比较玄学，不具有普遍性，不过还是要记录一下，这个问题卡了我好久

我这个报错信息是cudnn64-7 not found 从而造成的false（tip:这里有个都错误信息的小技巧，一般这种出现大片信息的，Trace back那种就要看最底下报错是什么，因为Traceback是不断向上层返回，知道最上层出现的问题是真正的错误信息，然后像这种一堆successful加载出来的，然后突然从某一处开始报错就是错误原因，看到错误信息不要害怕 ，仔细看下分析下报错信息，看不懂就百度谷歌上找错误翻译或是解决方案）
cudnn64-7 not found网上是说可能版本不匹配，但是我的版本没有问题，然后其他几个解决方案也都不太行，我都开始怀疑是不是我哪个版本出问题了
，但最后的解决办法是重新下载了cudnn再对应粘到cuda文件下，再去测验就发现好了，最终的问题竟然是cudnn的包下载过程中可能出现问题了
当你觉得很多地方都没有问题，网上也找不到解决方案时，大概率是某个包下载的时候没下载好，就类似于做嵌入式时，软件怎么看都没问题，大概率时硬件出问题了，或者某个简单的流程漏掉了如忘记了复位

pycharm下载安装并配置

1 下载安装包
官网：传送门
学生可以免费申请专业版pycharm，可以自己搜下教程❀
如有需要下载和我相同的版本资源：
链接：https://pan.baidu.com/s/1yH8KyDb8-dVavX1lJzZn2A
提取码：1234
–来自百度网盘超级会员V4的分享（内含vs2017,vs 2019,cuda 10.0,cudnn 7.4,pycharm2023专业版注意网盘内资源版本)
2.安装
网上安装教程就很多了，不做赘述
3.pycharm 配置tensorflow-gpu环境

选择add Local Interpreter


输入代码运行测验（返回【2，4，6】即为正确：

测试代码：

import tensorflow as tf

with tf.device('/cpu:0'):
    a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
    b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
    c = a + b

# 注意：allow_soft_placement=True表明：计算设备可自行选择，如果没有这个参数，会报错。
# 因为不是所有的操作都可以被放在GPU上，如果强行将无法放在GPU上的操作指定到GPU上，将会报错。
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True, log_device_placement=True))
# sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(sess.run(c))

到此就大功告成，完结撒花啦❀❀❀