tensorflow-gpu安装（详解）

简介

TensorFlow（中文名：张量流）：由Google开发的开源机器学习框架，广泛用于深度学习和机器学习任务。

TensorFlow特点：

• 提供灵活的计算图模型：允许定义和执行各种复杂的数学运算和机器学习模型。
• 支持深度学习：
  • （1）内置预训练模型。如：卷积神经网络（CNNs）、循环神经网络（RNNs）、自编码器等。
  • （2）支持构建和训练深度神经网络模型
• 支持自动求导（梯度计算）：使得梯度下降等优化算法的实现更加容易。
• 支持多设备和平台：包括CPU、GPU和TPU（Tensor Processing Unit）
• 开源：可以自由使用、修改和开发它，而且有一个庞大的社区支持。
• 丰富的生态系统：如：高级API（Keras）、工具（TensorBoard）、模型仓库（TensorFlow Hub），以及大量的扩展库和插件。
• 应用广泛： 图像识别、自然语言处理、语音识别、强化学习等。

TensorFlow的2.x版本引入了许多改进，使其更加易用和直观。

• Keras曾经是一个独立的深度学习框架，而TensorFlow 2.x版本将Keras整合成为了TensorFlow的一个官方高级API。可以直接通过 TensorFlow 来访问 Keras 功能，而不需要额外安装 Keras。
  • （1）导入tensorflow：import tensorflow as tf
  • （2）导入keras：from tensorflow import keras

一、环境配置

1. 【深度学习环境配置】Anaconda +Pycharm + CUDA +cuDNN + Pytorch + Opencv（资源已上传）
2. 【Python虚拟环境】创建 + 激活 + 安装 + 查看 + 退出 + 删除 + 复制 + 导出 + 导入

电脑系统		：Windows11
软件工具		：PyCharm

cuda		：11.8
cudnn		：8.6
python		：3.9.19
tensorflow	：2.10.1
#####################################################
conda create --name tensorflow39 -y
conda activate tensorflow39
conda install python==3.9

pip install tensorflow==2.10.1
# 2.10.1是TensorFlow2.X版本中最后一个同时支持CPU和GPU

二、TensorFlow安装（CPU + GPU）

2.1、版本说明

目前，旧版 TensorFlow1.x 仍然广泛出现在顶会或顶刊的开源项目中。

目前可以分为三种变革版本：

• 旧版（TensorFlow1.x）：CPU 和 GPU 是分开的（适用于 Ubuntu 和 Windows）
  • tensorflow==1.15：只支持 CPU 版本
  • tensorflow-gpu==1.15：只支持 GPU 版本
  • tensorflow==1.15 是 TensorFlow 1.x 的最终版本。
• 新版（TensorFlow 2.1 ~ 2.10.1）：同时支持 CPU 和 GPU（适用于 Ubuntu 和 Windows）
  • 必须使用 Python 3.6-3.9 和 pip 19.0 及更高版本，才能安装 TensorFlow 2。
• 新版（TensorFlow 2.11 及以上）：只支持 CPU，官方不再提供 GPU 支持。
  • 若需要 GPU 支持，需要自行编译（从源代码构建支持 GPU 的版本）或通过第三方渠道获取（Anaconda or Docker）。

2.2、版本对应关系：TensorFlow + Python（CUDA + cuDNN）

TensorFlow官网：经过测试的构建配置（版本必须对应）

2.3、镜像安装 + 轮子安装

方法一：镜像安装

• 新版 TensorFlow2.x：pip install tensorflow
• 旧版 TensorFlow1.x：
  • TensorFlow CPU 安装（镜像）：pip install tensorflow==1.15
  • TensorFlow GPU 安装（镜像）：pip install tensorflow_gpu==1.15
• 若不指定版本：系统将自动检测并安装与当前使用的 Python 版本兼容的且最新的 TensorFlow 版本。
• 在同一台计算机上，不建议同时安装TensorFlow的CPU版本和GPU版本。
• 若网络问题安装失败，可以使用镜像安装： -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
• 若TensorFlow GPU 1.15安装失败，则自动安装TensorFlow CPU 1.15：pip install tensorflow_gpu==1.15 || pip install tensorflow==1.15

方法二：轮子安装
🧀TensorFlow官网
（1）🧀tensorflow-gpu版本关系
（2）🧀tensorflow-gpu轮子下载（阿里云镜像源）
（3）🧀tensorflow-gpu轮子安装：pip install tensorflow_gpu-1.15.0-cp36-cp36m-win_amd64.whl

（1）轮子安装（.whl文件）是不需要联网的，因为轮子文件中已经包含了所需的依赖关系。
（2）翻墙状态，无法安装。—— 异常提示：网络设置或SSL配置问题。

2.4、使用 conda 安装 CUDA + cuDNN + tensorflow_gpu==1.15

Conda 安装 CUDA 和 cuDNN

• 使用 Conda 在指定的虚拟环境中安装 CUDA 和 cuDNN，可以方便地管理它们的依赖。
• 然而，Conda 通常只安装 CUDA 和 cuDNN 的运行时库，而不是完整的开发环境。
• 若需要 CUDA 编译器（如：nvcc）或完整的开发工具（如：编译自定义 CUDA 内核、构建 TensorFlow 源代码、编译和链接其他 GPU 库），仍需从 NVIDIA 官网直接安装 CUDA。

# conda不支持cudnn=7.4版本
# conda search cuda  # 列出所有可用的 cuda  版本以及它们的详细信息
# conda search cudnn  # 列出所有可用的 cuDNN 版本以及它们的详细信息
"""
conda create --name tensorflow36 -y
conda activate tensorflow36
conda install python=3.6 -y

conda install cudatoolkit=10.0 -y
conda install cudnn=7.6 -y

pip install tensorflow_gpu==1.15 -i http://mirrors.aliyun.com/pypi/simple --trusted-host mirrors.aliyun.com
"""

安装结束之后，PyCharm需关闭后重新启动。

import tensorflow as tf


def check_tensorflow_gpu():
    print("TensorFlow 版本:", tf.__version__)
    if tf.test.is_gpu_available():
        print("GPU is available")
    else:
        print("GPU is not available, using CPU")

    # 测试 GPU 上的简单计算
    try:
        with tf.Session() as sess:
            with tf.device('/GPU:0'):
                a = tf.constant([1.0, 2.0, 3.0])
                b = tf.constant([4.0, 5.0, 6.0])
                c = a + b
                result = sess.run(c)
                print("GPU 测试计算结果:", result)
    except RuntimeError as e:
        print(f"GPU 计算错误: {e}")


if __name__ == "__main__":
    check_tensorflow_gpu()

"""
TensorFlow 版本: 1.15.0
GPU is available
GPU 测试计算结果: [5. 7. 9.]
"""

三、参数配置

3.1、检查 TensorFlow 版本号（不区分设备类型）

import tensorflow as tf

print("TensorFlow 版本:", tf.__version__)

# （若未安装）ModuleNotFoundError: No module named 'tensorflow'
# （若已安装）TensorFlow 版本: 2.10.1
# 若同时安装了CPU+GPU版本的TensorFlow，则默认打印TensorFlow-GPU版本号（实测结果）。

3.2、检查是否支持TensorFlow - GPU

import tensorflow as tf

if tf.test.is_gpu_available():
    print("GPU is available")
else:
    print("GPU is not available, using CPU")

3.3、获取 TensorFlow 支持的所有物理设备

import tensorflow as tf

# 在当前系统中，获取 TensorFlow 支持的所有物理设备
devices = tf.config.experimental.list_physical_devices()
# 打印每个设备的信息（类型 + 名称）
for device in devices:
    print(device, "设备类型:", device.device_type, "设备名称:", device.name)
"""
PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU') 设备类型: CPU 设备名称: /physical_device:CPU:0
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU') 设备类型: GPU 设备名称: /physical_device:GPU:0
"""

3.4、设置 TensorFlow 的设备类型（CPU + GPU + TPU）

（1）若GPU版本存在，TensorFlow将默认使用GPU；
（2）否则，TensorFlow会自动切换到CPU；

3.4.1、（方法一）选择设备类型：使用环境变量 CUDA_VISIBLE_DEVICES

import os

# （1）设置环境变量 CUDA_VISIBLE_DEVICES
os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2'

# （2）测试 os.environ['CUDA_VISIBLE_DEVICES']
try:
    cuda_visible_devices = os.environ['CUDA_VISIBLE_DEVICES']
    print("os.environ['CUDA_VISIBLE_DEVICES']     =", cuda_visible_devices)
except KeyError:
    print("环境变量 CUDA_VISIBLE_DEVICES 未设置")

# （3）测试 os.environ.get('CUDA_VISIBLE_DEVICES')
cuda_visible_devices_get = os.environ.get('CUDA_VISIBLE_DEVICES')
if cuda_visible_devices_get is not None:
    print("os.environ.get('CUDA_VISIBLE_DEVICES') =", cuda_visible_devices_get)
else:
    print("环境变量 CUDA_VISIBLE_DEVICES 未设置")

"""###########################################################################################################
# 函数功能：获取环境变量 CUDA_VISIBLE_DEVICES 的值。
# 函数说明：os.environ['CUDA_VISIBLE_DEVICES']
#           CPU:        os.environ['CUDA_VISIBLE_DEVICES'] = '-1'       # 表示禁用所有GPU设备，TensorFlow使用CPU设备。
#           GPU:        os.environ['CUDA_VISIBLE_DEVICES'] = '0'        # 表示（单GPU）TensorFlow可以看到并使用的GPU设备的编号: 0。
#                       os.environ['CUDA_VISIBLE_DEVICES'] = '0,1,2'    # 表示（多GPU）TensorFlow可以看到并使用的GPU设备的编号: 0、1、2。
# 返回一个包含指定设备编号的字符串，表示 TensorFlow 可以看到的 GPU 设备列表。
###########################################################################################################"""

3.4.2、（方法二）选择设备类型：使用环境变量 set_visible_devices

import tensorflow as tf

# 获取CPU和GPU设备列表
devices = tf.config.experimental.list_physical_devices('CPU') + tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_visible_devices(devices[0], 'CPU')  # 设置CPU设备为可见
tf.config.experimental.set_visible_devices(devices[1], 'GPU')  # 设置GPU设备为可见

"""################################################################
# 函数功能：用于设置指定类型的物理设备为可见状态，从而选择使用的设备。
# 函数说明：tf.config.experimental.set_visible_devices(devices, device_type)
# 参数说明：
#         devices         要设置为可见的物理设备列表。
#         device_type:    要设置为可见的设备类型。可以是 'CPU'、'GPU' 或者 'TPU'。
################################################################"""

"""################################################################
# 函数功能：获取系统中的物理设备列表，可以指定设备类型。
# 函数说明：tf.config.experimental.list_physical_devices(device)
# 参数说明：
#         device      设备类型。
#             （1）若不输入，则默认列举所有设备
#             （2）若输入指定类型，则提取指定类型的所有设备。如:'GPU'、'CPU'、'TPU'。
################################################################"""

3.5、TensorFlow：按需分配GPU内存，而不是一次性分配整个GPU内存。

import tensorflow as tf

gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:  # 检查是否至少存在一个GPU设备。
    try:
        for gpu in gpus:
            tf.config.experimental.set_memory_growth(gpu, True)
    except RuntimeError as e:
        print(e)

"""################################################################
# 函数功能：用于配置 GPU 内存管理。
# 函数说明：tf.config.experimental.set_memory_growth(device, enable)
# 参数说明：
#         device      要配置的物理设备对象（如:'GPU'、'CPU'、'TPU'）
#         enable      内存增长模式的启用状态（bool类型）。
#                     （1）若为True, 启用按需分配内存的模式。即 TensorFlow 将在需要时动态增加 GPU 内存，而不是一次性分配整个 GPU 的内存空间。
#                     （2）若为False，禁用按需分配内存的模式。即 TensorFlow 会一次性分配整个 GPU 的内存空间。
################################################################"""