最简单的方法为自己的Windows电脑装Tensorflow-gpu2.X版本的深度学习环境（以Windows10+4090+cuda11.2+Python3.9为例）

Trouville01

已于 2024-11-26 20:02:18 修改

阅读量1.5k

点赞数 38

分类专栏：深度学习环境配置文章标签：深度学习 tensorflow 人工智能

于 2024-11-25 22:13:52 首次发布

本文链接：https://blog.csdn.net/qq_43449643/article/details/144040130

版权

深度学习环境配置专栏收录该内容

3 篇文章

订阅专栏

1.前言：现在做深度学习的朋友们往往都需要同时掌握pytorch和tensorflow两种深度学习框架，一般科研领域还是用pytorch多一些，当时工程上tensorflow的用户也不容小觑，这就导致github上许多优秀的项目都是基于tensorflow的，并且一些优秀的开源项目也是基于这个深度学习框架的。但是1.x版本的tensorflow和2.x版本的tensorflow的安装方法不同，前者需要安装英伟达编译的tensorflow版本，这里我们主要介绍2.x版本的tensorflow版本，这个更新，更快。

2.安装教程

tensorflow1.x版本的安装教程，这里我也推荐两个资源，如有需要，请查阅高算力显卡安装1.x版本的tensorflow

好的，接下来进入主题，安装Tensorflow-gpu2.X版本的深度学习环境。

2.1 首先是基础环境的准备：需要到anaconda官网下载anaconda软件并且安装，具体的安装步骤很简单，请看我的另一篇推送的开始部分安装anaconda的教程，记得手动添加那些环境变量。

2.2 建立针对该版本的虚拟环境：每个人在学习DL的过程中会碰到很多各种各样的环境，如果全部都在base环境中实现，那基本上是不可能的事（环境依赖库数量特别庞大且容易版本冲突，这是Python的通病，容易版本冲突导致bug），所以必须为每个不同的项目建立不同的虚拟环境，它们之间彼此独立不会互相干扰。关于虚拟环境的建立，请看我这篇推送的第二部分更换国内下载源以及建立虚拟环境

部分朋友可能没有梯子，所以更换国内的下载源是有必要的，查看当前源的命令行：

pip config get global.index-url

建议更换为清华的，用下来感觉更稳定，命令为：

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

创建虚拟环境环境的命令行为：

conda create -n your_name jupyter notebook python==3.9

上述的your_name可以替换为你想要的任何名字，但得是英文，比如（Tensorflow_env）。jupyter notebook 代表安装jupyter notebook库，这方便后续在vscode中使用jupyter进行代码运行，一般建议同时安装，方便可视化代码运行。python==3.9代表指定安装Python3.9版本。

运行该命令行后，会让你选择y/n，你输入y回车就可以

2.3 安装cuda和cudnn：找到NVIDIA控制面板->帮助->系统信息->组件看一下CUDA版本，我的12.2是目前最新的，一般向下兼容。

打开tensorflow官网，查看不同版本的tensorflow和cudnn，cuda的版本适配情况

这里cuda的最高版本只更新到了11.2， tensorflow_gpu的最高版本也只更新到了2.6.0，所以大家

可以初步选择安装最新的tensorflow-gpu2.6.0+python3.9+CUDA11.2+cuDNN8.1套餐

接下来比较重要的一步就是先用conda search找找当前源下的CUDA与cuDNN有没有我们要的版本，如果没有对应包或者版本的话可以试试换镜像源，换几个总会有的。命令行为：

conda search cuda

初步结果显示，在清华镜像源里，目前cuda的最低版本是11.3

我们切换成中科大镜像试试，结果也是如此，此外还尝试了阿里云和豆瓣，最低也均是11.3

此外，我们在清华镜像源中搜索cudnn

conda search cudnn

这里我提供一种在4090显卡上可靠的搭配： tensorflow-gpu2.10.1+python3.9+CUDA11.3+

cuDNN8.2.1，这个配置实测是没有问题的。

解答一个疑问，为什么这里要查看当前镜像源中拥有的cuda和cudnn 的版本，因为下面我们要安装这两个库（需要匹配），进入虚拟环境，安装cudatoolkit和cudnn：

activate your_env_name
conda install cudatoolkit=11.3.0
conda install cudnn=8.2.1

下载tensorflow_gpu2.10.1

pip install tensorflow-gpu==2.10.1

安装部分必要库

pip install protobuf
pip install numpy
pip install scikit-learn
pip install matplotlib

好了，到此为止，tensorflow_gpu2.10.1深度学习环境就配置完成了，你可以用以下代码来检验是否安装成功：

import tensorflow as tf
import sys

# 检查是否有可用的 GPU
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("GPUs are available")
else:
    print("No GPUs found")
# 输出 TensorFlow 版本
print("TensorFlow version:", tf.__version__)
# 输出 Python 版本
print("Python version:", sys.version)