tensorflow环境配置/安装教程(windows)

最新推荐文章于 2025-03-19 14:13:09 发布

放火的马赛克

最新推荐文章于 2025-03-19 14:13:09 发布

阅读量9.3k

点赞数 33

文章标签： tensorflow 人工智能 python

本文链接：https://blog.csdn.net/qq_43695456/article/details/136427312

版权

本文详细介绍了如何在Tensorflow2.x版本中选择和安装Tensorflow2.10.0版本以支持Windows本地GPU，包括CUDA、cuDNN的版本选择与安装，以及Python虚拟环境的创建和Tensorflow库的导入，最后提供验证GPU调用的代码示例。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、Tensorflow下载版本选择

Tensorflow支持多种操作系统，支持运行NVIDIA显卡上的GPU版本和仅使用CPU完成计算的CPU版本。

Tensorflow 1.x版本的cpu版本和gpu版本是分开的，需要分开下载，且1.x版本使用不方便，google已经停止更新1.x版本。

Tensorflow 2.x版本使用简洁，使用体验感好。

Tensorflow 2.10是最后一个在本地windows上支持GPU的版本。从2.11版本开始，需要在windows WLS2（适用于 Linux 的 Windows 子系统）上安装才能使用GPU。所以要在native-windows上使用GPU，就只能安装2.10.0版本及以下的版本，或者安装老版的tensorflow-gpu。

因此这里我选择tensorflow2.10.0的版本。

二、Tensor开发环境安装

开发环境安装分为四个步骤：安装python解释器Anaconda、安装CUDA、安装cudnn、安装Tensorflow框架。

（1）安装python解释器Anaconda

在Anaconda官网Free Download | Anaconda下载，这里不过多赘述，搜anaconda安装教程有很详细的操作步骤。

（2）安装CUDA

（a）CUDA版本选择

这里是大多数人容易出错的地方，要谨慎选择安装CUDA的版本。Tensorflow与Python、CUDA、cuDNN的版本是有对应关系的，如果版本不对应，Tensorflow就没法调用相应的CUDA，也就没办法调用GPU了。下面链接是Tensorflow和Python、CUDA、cuDNN的版本对应表，根据你的python版本选择下载即可。（注意：Tensorflow版本需要小于等于2.10.0）

Tensorflow与Python、CUDA、cuDNN的版本对应表_tensorflow版本对应python3.11-CSDN博客

例如，我的python版本是3.9，为了和Tensorflow2.10.0版本对应，因此这里我选择下载CUDA11.2版本。

（b）CUDA软件安装

在NVIDIA官网CUDA Toolkit Archive | NVIDIA Developer找到相应版本下载

依次选择Windows平台，x86_64架构，10系统，exe(local)本地安装包，再选择Download即可下载CUDA安装包。

下载完成后打开安装软件，单击custom按钮，在CUDA节点下取消勾选Visual Studio Integration；在Driver components节点下，比对目前计算机已经安装的显卡驱动Display Driver的版本号Current Version和CUDA自带的显卡驱动版本号New Version。如果Current Version大于等于New Version，则需要取消Display Driver的勾选，如果Current Version小于等于New Version，则默认勾选，设置完成后即可正常安装。

（c）测试CUDA软件是否安装成功

打开cmd命令行，输入nvcc -V，即可打印当前CUDA的版本信息，如果命令无法识别，则说明安装失败，此时需要卸载CUDA并重装。如果因为版本原因安装错误或者安装失败，可以查看这个教程CUDA卸载&&重装-CSDN博客进行卸载重装。

如果安装成功，可以在cmd中输入转盘命令到指定路径。

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite

然后输入下面命令验证带宽和可用的GPU设备。

bandwidthTest.exe

deviceQuery.exe

如果CUDA安装成功，将成功显示带宽和可用GPU，得到两个PASS。

（d）查看系统变量

安装完CUDA后，点击文件资源管理器，右击此电脑，点击属性，点击高级系统设置，来到系统属性界面。

点击环境变量，系统变量中将会自动生成CUDA_PATH和CUDA_PATH_V11_2。

在系统变量中点击PATH，路径中将自动包含以下两条置顶路径。

（3）安装cudnn

（a）cudnn版本选择

和CUDA版本的选择理由一样，为和CUDA11.2版本、python3.9版本、和Tensorflow 2.10.0版本匹配，这里选择cudnn 8.1版本。

（b）cudnn软件安装

在NVIDIA官网cuDNN Archive | NVIDIA Developer下载cudnn压缩包，如果是第一次下载需要注册并登录。

下载完成后，需要把cudnn中的三个文件复制到CUDA对应的文件夹中。

（c）系统变量环境配置

同样打开系统属性界面，点击环境变量，编辑系统变量中的PATH变量，添加两条路径include和bin，并分别置顶到第三第四的位置，如下所示。

cudnn的安装到这里就结束了。

(4) 安装Tensorflow

（a）新建虚拟环境

为了避免和其他库冲突，使用anaconda新建一个虚拟环境，否则容易下载失败。在PyCharm中新建项目，选择新conda环境。

（b）导入Tensorflow库

首先打开Anaconda Prompt命令行，并激活刚才新建的虚拟环境。使用命令conda env list查看已有的虚拟环境，使用conda activate加虚拟环境的名称激活虚拟环境。

临时使用清华大学的镜像源，使用pip命令导入Tensorflow库，这里导入2.10.0版本。

pip install tensorflow==2.10.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

成功后，在PyCharm项目中查看Python解释器，可以看到已经安装好2.10.0版本的Tensorflow相关包。

三、验证Python是否可以调用GPU

在下载了Tensorflow的虚拟环境中新建项目，可以使用下述代码验证，代码参考了下面的博客。【tensorflow】为什么CUDA装好了，Tensorflow-GPU不能用？_安装了cuda却不调用gpu-CSDN博客

import tensorflow as tf

if __name__ == '__main__':
    print(tf.__version__)  # 查看tensorflow版本
    print(tf.__path__)  # 查看tensorflow安装路径

    a = tf.test.is_built_with_cuda()  # 判断CUDA是否可以用
    b = tf.test.is_gpu_available(
        cuda_only=False,
        min_cuda_compute_capability=None
    )  # 判断GPU是否可以用

    print(a)  # 显示True表示CUDA可用
    print(b)  # 显示True表示GPU可用

    # 查看驱动名称
    if tf.test.gpu_device_name():
        print('Default GPU Device: {}'.format(tf.test.gpu_device_name()))
    else:
        print("Please install GPU version of TF")

如果返回两个True代表Tensorflow环境配置成功，可以成功调用GPU。