Window10上Tensorflow2.3的安装，CPU和GPU版本

_Pershing

已于 2023-05-22 10:20:15 修改

阅读量8.5k

点赞数 6

分类专栏：学习历程 Deep Learning 文章标签：深度学习 python tensorflow

于 2020-12-14 14:11:26 首次发布

本文链接：https://blog.csdn.net/qq_40185784/article/details/111165906

版权

Deep Learning 同时被 2 个专栏收录

7 篇文章 2 订阅

订阅专栏

学习历程

6 篇文章 2 订阅

订阅专栏

CPU版本安装：

GPU版本安装

之前摸索tensorflow的时候安装踩坑的时间非常久，主要是没搞懂几个东西的关系，就在瞎调试，以及当时很多东西不懂，很多报错也一知半解的。这次重装系统后正好需要再配置一次，把再一次的经历记录一下。我的电脑是华为的matebook13，intel i5-8625U，MX250显卡，win10系统。（不得不吐槽很垃圾，只能满足测试测试调调代码的需求）

深度学习利用Tensorflow平台，其中的Keras Sequential API对新用户非常的友好，可以将各基础组件组合在一起来构建模型。

（官网： https://tensorflow.google.cn/?hl=zh-cn）

安装Tensorflow 分为 tensorflow_cpu 和 tensorflow_gpu版本

GPU就是用来渲染计算的，GPU版本计算性能是CPU的百倍之快。如果电脑没有独立显卡只能用CPU版本计算。

CPU版本安装：

tensorflow_cpu版本只需要安装anaconda后在anaconda prompt里面pip install tensorflow_cpu==（版本号）即可。安装anaconda的方法见GPU版本里面。

注意查下python和tensorflow_cpu适配的版本号。

GPU版本安装

tensorflow_gpu版本安装大致分为三步：1、安装anaconda 2、安装cuda和cdunn 3、安装tensorflow_gpu。其中第一步和第二步的顺序可以调换，就是安装完了前面三个东西再安装tensorflow即可。

tensorflow最近出了2.0版本，和1.0大版本有一些区别。具体我还没有去了解，代码不一定兼容，需要注意一下。这三个步骤的版本需要格外的注意，一旦三个自己的版本互相不兼容或者和电脑的显卡不兼容，就用不了。所以安装前看看要安装的tensorflow版本。先查好显卡的算力，然后适配的相应版本再安装，否则踩坑要很久。

首先确定电脑所能支持的tensorflow版本，根据tensorflow官网所给配置，我们要去检查电脑gpu的cuda支持版本，再去对应下载python版本和tensorflow版本。

右键桌面>NVIDIA控制面板>帮助>系统信息>组件

上图说明我的显卡所支持的cuda版本为11.1（向下兼容）

Tensorflow配置window官网：在 Windows 环境中从源代码构建 | TensorFlow

以我电脑为例，之前我用的是3.7.3的版本。这次重装系统后安装的是3.8.3。

cmd查看python版本：

我之前tensorflow用的是1.13的版本，这次因为已经安装了python3.8，因此打算安装2.0版本。如果仍需要低版本需要重新安装python较低的版本或者搭一个虚拟环境（但不是很建议）。

第一步，安装anaconda

anaconda会对应安装python环境，不一定要最新的，最新的python版本不一定有兼容的cuda加速，有cuda加速也不一定支持电脑的显卡。

官网安装：Free Download | Anaconda，之前版本如果官网没有可能需要找资源。

第二步，安装cuda工具包

（官网：CUDA 工具包 - 免费工具和培训 | NVIDIA Developer）

CUDA是 NVIDIA 专为图形处理单元 (GPU) 上的通用计算开发的并行计算平台和编程模型。借助 CUDA，开发者能够利用 GPU 的强大性能显著加速计算应用。在经 GPU 加速的应用中，工作负载的串行部分在 CPU 上运行，且 CPU 已针对单线程性能进行优化，而应用的计算密集型部分则以并行方式在数千个 GPU 核心上运行。使用 CUDA 时，开发者使用主流语言（如 C、C++、Fortran、Python 和 MATLAB）进行编程，并通过扩展程序以几个基本关键字的形式来表示并行性。由于tensorflow最高版本对应的是cuda10.1版本，那下载cuda10.1即可。安装包链接：CUDA Toolkit Archive | NVIDIA Developer

CUDA的下载需要挂载VPN，否则下下来只有1kb (好像后面又不一定需要VPN，可以直接下载试试）

自定义安装，安装的东西全选了，尽量不要改安装位置

安装完之后安装cuDNN, cuDNN是用于深度神经网络的GPU加速库.注意安装的版本，选择自身cuda版本对应的cudnn下载。

官网：cuDNN Archive | NVIDIA Developer ，cuDNN的下载需要注册官网的账号

（这里更正一下，如果配置tensorflow2.3 安装cuDNN v7.6 for CUDA10.1比较好，因为官网给的7.4网站没有下载链接，亲测7.5版本训练会有报错，7.6版本没问题）

下载好的cudnn文件解压后，将文件夹内的文件放到cuda对应文件夹下，注意：是文件夹内的文件，而不要直接复制替换文件夹

第三步，安装tensorflow—gpu

在anaconda prompt里面安装：pip install tensorflow-gpu ，后面可以指定版本号，下载慢挂载一个镜像源 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成：

测试是否安装成功：

import tensorflow as tf

tf.test.is_gpu_available()

True即表示安装成功了。

查看版本号：

至此安装成功，可以跑一个小程序测试一下。

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print('GPU:', tf.test.is_gpu_available())

显示“GPU True”, 也即代表GPU版本安装成功。

经过几天调了一下代码之后发现tensorflow2相对与1还是有挺多改动的，1里面能够运行的代码可能2里面需要一定的修改。

关于Tensorflow2和1上面keras的一些区别可以搜一下相关的资料。