win10安装TensorFlow-gpu-2.6详细教程

flccz

已于 2022-04-24 19:53:37 修改

阅读量5.7k

点赞数 9

分类专栏： TensorFlow-gpu 文章标签： python pycharm windows tensorflow 机器学习

于 2022-04-16 15:41:41 首次发布

本文链接：https://blog.csdn.net/qq_43648288/article/details/124211064

版权

TensorFlow-gpu 专栏收录该内容

2 篇文章 1 订阅

订阅专栏

提示：看此文章大前提需要拥有NVIDIA的显卡

本篇献给那些想安装官方已经测试过的最新版的TensorFlow-gpu2.6（仅限于本文发表的时间）的(强)大(破)家(症)

前言

大前提：你需要拥有NVIDIA的显卡

本篇用的是anaconda创建的虚拟环境搭建，但其实想装到Win10系统环境，也是一样的。

个人安装顺序：VS=>CUDA=>CuDNN=>python=>tensorflow-gpu

友情提示：最重要的是版本一定要对应，TensorFlow-gpu的版本与VS、CUDA和CUDNN 以及python的版本。

系统环境

我用的是笔记本电脑
系统：Windows10
显卡：GTX 1050Ti 算力6.1（下边会讲到如何查询显卡算力）
软件：anaconda

准备

建议安装在虚拟环境上，不会影响到系统环境，因此建议安装anaconda和pycharm

anaconda和pycharm的安装
若未安装或未曾使用过anaconda，请参考anaconda入门

如何查询NVIDIA算力

首先清楚自己的显卡类型Ctrl + Shift + ESC打开任务管理器，接着点击性能，按照图片所示就清楚显卡

PS：显卡的算力影响你能安装哪一些tensorflow-GPU的版本（如果算力3.5以上基本没什么问题）

在这里插入图片描述

NVIDIA显卡算力官网查询
进官网之后，要点击如下图，即可查看自己的显卡算力

PS：我的是笔记本电脑，所以看的是Notebook那一列的，如果是台式可以参考左边的。个人认为左边或者右边都可以参考

我的显卡在GTX1060和GTX980之间

以下安装为我成功运行的版本，TensorFlow-gpu2.6
直接查看最新的安装方式最好

确认安装TF-gpu版本

TensorFlow-gpu官网查询

在这里插入图片描述

我需要下载的是
TensorFlow-gpu-2.6 <=>VS2019 C++部分组件<=> CUDA11.2 <=> CUDNN8.1 <=> python3.9

一、开始安装

一定要安装对版本，尤其是先安装VS的部分组件，才可以安装CUDA和cuDNN，先安装VS部分组件，接着安装CUDA，后安装cuDnn

PS：如果有需要可以留言，我可以分享我下载的CUDA和CUDNN

1、安装VS组件、CUDA

VS官网
 CUDA官网下载地址

进入VS官网，打开VS安装程序（本人安装的是tensorflow-gpu-2.6，因此对应安装VS2019的部分组件
PS：不需要安装完整的VS，只是需要VS的部分组件

具体是：C++ 2019可在发行程序包以及VS 2019 C++ 生成工具，如下图

在这里插入图片描述

接着进入CUDA官网，下载对应版本

在这里插入图片描述

PS：官网下载比较缓慢，如有需要可以留言，我可以分享我的CUDA11.2.2
cuda_11.2.2_461.33_win10
提取码：vo7c

下载好后，直接运行安装就行

测试是否成功安装可以使用命令nvcc -V

win + R，输入cmd，打开命令行

输入命令nvcc -V

在这里插入图片描述

2、安装CUDNN

CUDNN官网下载地址

在这里插入图片描述

PS：官网下载比较缓慢，如有需要可以留言，我可以分享我的CUDNN8.1.1
连接为cudnn-11.2-windows-x64-v8.1.1.33

注意：安装CUDNN之前（严格意义来说，这只是将需要用到的一些文件，添加到CUDA目录下），必须安装CUDA

下载完成时一个压缩包,解压后，将里面的所有文件，放到CUDA的安装路径下，即C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2

3.使用conda创建虚拟环境

PS：以下很多场合用到conda命令，若不会请参考anaconda入门，也可能会给conda换源，若不会请参考pip换源 conda换源

以下使用conda创建一个python3.9的虚拟环境

Win + R输入cmd

1.创建一个python3.9的虚拟环境

输入命令conda create -n tf-gpu-2.6 python=3.9.12
创建一个名为 tf-gpu-2.6 的虚拟环境，并且安装指定的python版本

回车以上命令之后，记得输入y然后回车[Enter]

2.进入环境

输入命令activate tf-gpu-2.6 # 进入tf-gpu-2.6的虚拟环境

3.官网下载已经经测试的TensorFlow-gpu文件

TensorFlow-gpu下载官网

在这里插入图片描述

进入官网后，找到对应python3.9版本的TensorFlow-gpu的版本，复制网址，用浏览器打开，即可下载TensorFlow-gpu.whl文件
如果懒得打开官网，也可以在我这下载官网tensorflow-gpu-2.6

下载好后，输入命令pip install tensorflow_gpu-2.6.0-cp39-cp39-win_amd64.whl(该文件完整的路径) # 使用pip命令安装TensorFlow-gpu

PS：有可能下载很慢，所以需要换源，若不会换源可以参考pip 换源

PS：在安装过程中，会安装很多关联的包，等待安装完成即可

4.测试TensorFlow-GPU

在当前环境下，输入python，回车[Enter]

输入以下命令import tensorflow as tf

接着输入tf.test.is_gpu_available()

在这里插入图片描述

以上代码会显示显卡型号，显卡算力以及是否可用，若为True，则说明可用。

二、使用pycharm测试代码

1.安装matplotlib

1.进入环境

输入命令activate tf-gpu-2.6 # 进入tf-gpu-2.6的虚拟环境

2.安装matplotlib

输入命令pip install matplotlib

若需要换源，请参考pip换源 conda换源

2.使用pycharm测试代码

如果使用pycharm，如何关联conda创建的虚拟环境请参考anaconda入门

测试代码如下

import tensorflow as tf
import timeit
import numpy as np
import matplotlib.pyplot as plt

plt.rcParams['font.sans-serif'] = ['SimHei']  # 用来正常显示中文标签
plt.rcParams['axes.unicode_minus'] = False  # 用来正常显示负号


# 以矩阵A[1,n]和矩阵B[n,1]的乘法运算（分别在cpu和gpu上运行）来测试:
def cpu_run(num):
    with tf.device('/cpu:0'):  # 指定操作:用cpu计算
        cpu_a = tf.random.normal([1, num])
        cpu_b = tf.random.normal([num, 1])
        c = tf.matmul(cpu_a, cpu_b)  # 矩阵乘法，此操作采用cpu计算
    return c


def gpu_run(num):
    with tf.device('/gpu:0'):  # 指定操作:用gpu计算
        gpu_a = tf.random.normal([1, num])
        gpu_b = tf.random.normal([num, 1])
        c = tf.matmul(gpu_a, gpu_b)  # 矩阵乘法，此操作采用gpu计算
    return c


k = 10
m = 7
cpu_result = np.arange(m, dtype=np.float32)
gpu_result = np.arange(m, dtype=np.float32)
x_time = np.arange(m)

for i in range(m):
    k = k * 10
    x_time[i] = k
    cpu_str = 'cpu_run(' + str(k) + ')'
    gpu_str = 'gpu_run(' + str(k) + ')'

    # 计算10次，取平均时间
    cpu_time = timeit.timeit(cpu_str, 'from __main__ import cpu_run', number=10)
    gpu_time = timeit.timeit(gpu_str, 'from __main__ import gpu_run', number=10)
    cpu_result[i] = cpu_time
    gpu_result[i] = gpu_time

print(cpu_result)
print(gpu_result)

fig, ax = plt.subplots()
ax.set_xscale("log")
ax.set_adjustable("datalim")
ax.plot(x_time, cpu_result, color='#005FDD', alpha=0.8, linewidth=1, label='C P U')
ax.plot(x_time, gpu_result, color='#47AC3A', alpha=0.8, linewidth=1, label='G P U')
ax.grid()
plt.legend(loc="upper right")
plt.title("CPU和GPU运行对比")
plt.xlabel('计算量')
plt.ylabel('时间')
plt.draw()
plt.show()

运行结果如下图

总结

1、TensorFlow-gpu相对于TensorFlow-cpu的安装步骤来说，比较麻烦，但最关键的还是版本一定要对应

2、最重要的还是CUDA以及CUDNN的版本

PS：笔者安装的是官方文档中已经测试过的相对最新的TensorFlow-gpu版本（即，TensorFlow-gpu-2.6），而最新的TensorFlow-gpu版本（截止至本文发表时间，最新为TensorFlow-gpu-2.8），若要安装最新的TensorFlow-gpu，需要自己亲自去测试最新的版本所对应的CUDA以及CUDNN 和python版本，上述三者有一个版本不对应，就会导致TensorFlow-GPU使用不了或者安装失败