【一】tensorflow【cpu/gpu、cuda、cudnn】全网最详细安装、常用python镜像源、tensorflow 深度学习强化学习教学

汀、人工智能

已于 2022-05-30 14:57:35 修改

阅读量4.4k

点赞数 25

分类专栏： tensorflow # tensorflow安装、调试bug、语法出错等问题文章标签： tensorflow cuda cudnn 机器学习人工智能

于 2021-04-06 16:35:41 首次发布

涉及博主原创类文章，未经博主许可不允许转载

本文链接：https://blog.csdn.net/sinat_39620217/article/details/115462155

版权

tensorflow 同时被 2 个专栏收录

18 篇文章 11 订阅

订阅专栏

tensorflow安装、调试bug、语法出错等问题

8 篇文章 0 订阅

订阅专栏

【二】tensorflow调试报错、tensorflow 深度学习强化学习教学

【三】tensorboard安装、使用教学以及遇到的问题

【四】超级快速pytorch安装

trick1---实现tensorflow和pytorch迁移环境教学

1. tensorflow 深度学习

书本链接：TensorFlow深度学习》--笔记版.pdf_Python深度学习基于TensorFlowpdf-互联网文档类资源-CSDN下载

对应码源以及学习资料链接：https://gitee.com/dingding962285595/tensorflow_-rl 欢迎关注一键三连哦！

2. tensorflow安装

2.1 常用的镜像源

#豆瓣
https://pypi.douban.com/simple

#LFD
https://www.lfd.uci.edu/~gohlke/pythonlibs/

#清华大学
https://pypi.tuna.tsinghua.edu.cn/simple

#中国科技大学
https://mirrors.ustc.edu.cn/pypi/web/simple

#阿里
https://mirrors.aliyun.com/pypi/simple/

#本地安装例子
Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl
#//文件名说明 该版本 适用于python 3.5 的windows 64位
#//D:\Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl   下载文件的路径
#//安装
pip install  D:\Twisted‑18.4.0‑cp35‑cp35m‑win_amd64.whl

在线安装举例

pip install “ 你需要安装的包” -i https://pypi.douban.com/simple

2.2 Anaconda安装

具体安装教程可以参考博客-Anaconda安装超简洁教程：【1】Anaconda安装超简洁教程，配置环境、创建虚拟环境、添加镜像源_汀、的博客-CSDN博客

通过安装 Anaconda 软件，可以同时获得 Python 解释器、包管理和虚拟环境等一系列便捷功能，我们从 https://www.anaconda.com/distribution/#download-section 网址进入 Anaconda 下载页面，选择 Python 最新版本的下载链接即可下载，下载完成后安装即可进入安装程序。

如图所示，勾选”Add Anaconda to my PATH environment variable”一项，这样可以通过命令行方式调用 Anaconda 程序
如图所示，安装程序询问是否连带安装 VS Code 软件，选择 Skip 即可。整个安装流程约持续 4分钟，具体时间需依据计算机性能而定。

安装完成后，怎么验证 Anaconda 是否安装成功呢？

通过键盘上的 Windows 键+R 键，即可调出运行程序对话框，输入“cmd”并回车即打开 Windows 自带的命令行程序cmd.exe。
或者点击开始菜单，输入“cmd” 也可搜索到 cmd.exe 程序，打开即可。
输入conda list 命令即可查看 Python 环境已安装的库，如果是新安装的 Python 环境，则列出的库都是 Anaconda 自带的软件库。
如果 conda list 能够正常弹出一系列的库列表信息，说明 Anaconda 软件安装成功；如果 conda 命名不能被识别，则说明安装失败，需要重新安装。

2.3 tensorflow-cpu版本安装

TensorFlow 和其他的 Python 库一样，使用 Python 包管理工具 pip install 命令即可安装。安装 TensorFlow 时，需要根据电脑是否具有 NVIDIA GPU 显卡来确定是安装性能更强的 GPU 版本还是性能一般的 CPU 版本。
国内使用 pip 命令安装时，可能会出现下载速度缓慢甚至连接断开的情况，需要配置国内的 pip 源，只需要在 pip install 命令后面带上“-i 源地址” 参数即可。

打开anaconda的命令程序

然后输入：
conda create -n tf2   #tf2环境名称自定义
conda activate tf2    #激活环境
pip install tensorflow -i https://mirrors.aliyun.com/pypi/simple/
即可安装好最新版本tensorflow。

测试cpu版本的 TensorFlow 是否安装成功，在 cmd 命令行输入 ipython 进入 ipython 交互式终端，输入“import tensorflow as tf”命令，
TensorFlow GPU/CPU 版本安装完成后，可以通过“tf.__version__”查看本地安装的 TensorFlow 版本号

表示安装成功。

或者下面查看方式：
conda activate tf1_cpu
pip show tensorflow

2.4 tensorflow 更新指令，以及第二种安装方法

2.4.1 tensorflow 更新指令

查看版本
import tensorflow as tf

tf.__version__
查询tensorflow安装路径
tf.__path__
更新升级
pip install --upgrade tensorflow
2.4.2 第二种方法

去镜像网站【网址见上面】下载对应版本的tensorflow：

之后再指定环境下安装即可：先进入tensorflow虚拟环境，再cd到whl文件所在文件目录进行安装，其中：虚拟环境是tf2 ,.whl所在文件夹是\package
(tf2) PS D:\package> pip install tensorflow_gpu-2.2.0-cp36-cp36m-win_amd64.whl
即可，然后再检查一下版本号。

2.5 GPU版本安装

2.5.1 GPU版本对照：

打开自己电脑的invdia控制面板查看可以安装的版本，然后在去找适合自己电脑的tensorflow版本！

2.5.2 CUDA安装

下载地址：https://developer.nvidia.cn/cuda-toolkit-archive

目前的深度学习框架大都基于 NVIDIA 的 GPU 显卡进行加速运算，因此需要安装NVIDIA 提供的 GPU 加速库 CUDA 程序。在安装 CUDA 之前，请确认计算机具有支持CUDA 程序的 NVIDIA 显卡设备。
CUDA 的安装分为 CUDA 软件的安装、 cuDNN 深度神经网络加速库的安装和环境变量配置三个步骤，
CUDA 软件安装打开 CUDA 程序的下载官网：

这里我们使用 CUDA11.2版本，依次选择 Windows 平台----x86_64 架构----win10 系统----exe(local)本地安装包，再选择 Download 即可下载 CUDA 安装软件。

下载完成后，打开安装软件。选择“Custom” 选项，点击 NEXT 按钮进入

安装程序选择列表，在这里选择需要安装和取消不需要安装的程序组件：

在 CUDA 节点下，取消”Visual Studio Integration”一项；
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“New Version”，则需要取消“Display Driver”的勾，如果小于或等于，则默认勾选即可，设置完成后即可正常安装。

安装完成后，我们来测试 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，如图所示。

如果命令无法识别，则说明安装失败。同时我们也可从 CUDA 的安装路径“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin”下找到“nvcc.exe”程序，

2.5.3 cuDNN 神经网络加速库安装

网址：https://developer.nvidia.cn/cudnn

CUDA 并不是针对于神经网络专门的 GPU 加速库，它面向各种需要并行计算的应用设计。如果希望针对于神经网络应用加速，需要额外安装cuDNN 库。需要注意的是， cuDNN 库并不是运行程序，只需要下载解压 cuDNN 文件，并配置 Path 环境变量即可

打开网址 https://developer.nvidia.cn/cudnn，选择“Download cuDNN”，由于 NVIDIA公司的规定，下载 cuDNN 需要先登录，因此用户需要登录或创建新用户后才能继续下载。
登录后，进入 cuDNN 下载界面，勾选“I Agree To the Terms of the cuDNN Software License Agreement”，即可弹出 cuDNN 版本下载选项。
选择 CUDA 11.2 匹配的 cuDNN 版本，并点击“cuDNN Library for Windows 10”链接即可下载 cuDNN 文件，需要注意的是：cuDNN 本身具有一个版本号，同时它还需要和 CUDA 的版本号匹配上，不能下错不匹配 CUDA 版本号的 cuDNN 文件

下载完成 cuDNN 文件后，解压并进入文件夹，我们将名为“cuda”的文件夹重命名为“cudnn765”，并复制此文件夹。进入 CUDA 的安装路径 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2，粘贴“cudnn765”文件夹即可，此处可能会弹出需要管理员权限的对话框，选择继续即可粘贴

2.5.4 环境变量 Path 配置

上述 cudnn 文件夹的复制即已完成 cuDNN 的安装，但为了让系统能够感知到 cuDNN 文件的位置，我们需要额外配置 Path 环境变量。

打开文件浏览器，在“我的电脑”上右击，选择“属性”，选择“高级系统属性”，选择“环境变量”。
在“系统变量”一栏中选中“Path”环境变量，选择“编辑”，。
选择“新建”，输入 cuDNN 的安装路径“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\cudnn765\bin”，并通过“向上移动”按钮将这一项上移置顶

CUDA 安装完成后，环境变量中应该包含：

“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin”、
“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp”【这两项会自动添加路径的】
“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\cudnn765\bin” 【需要自己手动】

具体的路径可能依据实际路径略有出入，确认无误后依次点击确定，关闭所有对话框。

2.5.5 tensorflow--GPU安装

激活环境：
conda create -n tf2   #tf2环境名称自定义
conda activate tf2    #激活环境
上述命令自动下载 TensorFlow GPU 版本并安装，目前是 TensorFlow 2.4 正式版，
pip install tensorflow-gpu -i https://mirrors.aliyun.com/pypi/simple/
现在我们来测试 GPU 版本的 TensorFlow 是否安装成功。

在 cmd 命令行输入 python 进入 ipython 交互式终端，输入“import tensorflow as tf”命令，如果没有错误产生，

继续输入“tf.test.is_gpu_available()”测试 GPU 是否可用，此命令会打印出一系列以“I”开头的信息(Information)，其中包含了可用的 GPU 显卡设备信息，最后会返回“True”或者“False”，代表了 GPU 设备是否可用，
如果为 True，则 TensorFlow GPU版本安装成功；如果为 False，则安装失败，需要再次检测 CUDA、 cuDNN、环境变量等步骤，或者复制错误，从搜索引擎中寻求帮助
import tensorflow as tf
print(tf.test.is_gpu_available())
# 如果出现：
WARNING:tensorflow:From <ipython-input-1-46ff889b56b7>:2: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version.
Instructions for updating:
Use `tf.config.list_physical_devices('GPU')` instead.
True
说明GPU是可用的，这里的警告是说，这个测试命令即将被抛弃，应该使用tf.config.list_physical_devices(‘GPU’)，如下：
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
遇到错误警告见2.7安装GPU遇到的各类坑总结！

2.5.6 测试GPU效果

import tensorflow as tf
import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
print('GPU', tf.test.is_gpu_available())

a = tf.constant(2.0)
b = tf.constant(4.0)
print(a + b)
结果看到下面两个就对了，其余的不用管。
...................
GPU True
...................
tf.Tensor(6.0, shape=(), dtype=float32)
TensorFlow 在运行时，默认会占用所有 GPU 显存资源，这是非常不友好的行为，尤其是当计算机同时有多个用户或者程序在使用 GPU 资源时，占用所有 GPU 显存资源会使得其他程序无法运行。因此，一般推荐设置 TensorFlow 的显存占用方式为增长式占用模式，即根据实际模型大小申请显存资源，代码实现如下：
# 设置 GPU 显存使用方式
# 获取 GPU 设备列表
gpus = tf.config.experimental.list_physical_devices('GPU')
if gpus:
try:
# 设置 GPU 为增长式占用
for gpu in gpus:
tf.config.experimental.set_memory_growth(gpu, True)
except RuntimeError as e:
# 打印异常
print(e)

2.6 安装失败GPU的补救方法

如果不能安装 TensorFlow GPU 版本，则可以安装 CPU 版本。 CPU 版本无法利用 GPU加速运算，计算速度相对缓慢，但是作为学习用途所介绍的算法模型一般不大，使用 CPU版本也能勉强应付。
上述手动安装 CUDA 和 cuDNN，配置 Path 环境变量并安装 TensorFlow 的流程是标准的安装方法，虽然步骤繁琐，但是对于理解每个库的功能角色有较大的帮助。实际上可以将手动安装 CUDA 和 cuDNN，配置 Path 环境变量并安装 TensorFlow 这4 大步骤通过两条命令完成
# 创建名为 tf2 的虚拟环境，并根据预设环境名 tensorflow-gpu
# 自动安装 CUDA,cuDNN,TensorFlow GPU 等
conda create -n tf2 tensorflow-gpu
# 激活 tf2 虚拟环境
conda activate tf2
极简版安装方法：使用 Anaconda 发通过极简版安装的 TensorFlow，使用时需要先激活对应的虚拟环境，这一点需要与标准版区分。标准版安装在 Anaconda 的默认环境 base 中，一般不需要手动激活 base 环境。
常用的 Python 库也可以顺带安装，命令如下：
# 使用阿里源安装常用 python 库
pip install ipython numpy matplotlib pillow pandas -i https://mirrors.aliyun.com/pypi/simple/

2.7 安装GPU遇到的各类坑总结

1. NVIDIA安装程序失败(组件全部未安装)------Visual Studio Intergration安装失败

解决方法：

其中Visual Studio(VS) Intergration无法安装导致的：通过自定义的方式取消Visual Studio Intergration进行安装，然后再重新用CUDA安装程序将Visual Studio Intergration单独装上去。

2. NVIDIA安装程序失败(组件全部未安装)-----------nsight compute安装失败

解决方法：

错误图忘记保存了，我的做法和第一种一样，通过自定义的方式取消Visual Studio Intergration进行安装，然后再重新用CUDA安装程序，再将Visual Studio Intergration单独装上去。

3.GPU测试tf.test.is_gpu_avaiable()返回false

解决方法：

先确定：CUDA、cuDNN和tensorflow的版本有没有对应一致，查看CUDA的驱动版本，如果版本太低，到Nvidia Experience更新驱动程序，默认安装即可。当然也会出现很多I开头的错误

去C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin路径下：把缺失的文件重命名，我的是cusolver64_10.dll缺失，将cusolver64_11.dll重命名为cusolver64_10.dll即可

4. gpu版本出现的问题：Not creating XLA devices, tf_xla_enable_xla_devices not set

据说是Tesorflow-gpu 2.4.1，默认情况下，不再注册XLA：CPU和XLA：GPU设备。如果确实需要它们，请可使用，但是此标志最终将在后续发行版中删除。

os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'

将

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

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

改为：将不会报错了

import tensorflow as tf
import os
os.environ['TF_XLA_FLAGS'] = '--tf_xla_enable_xla_devices'
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
print(tf.__version__)
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print('GPU:', tf.test.is_gpu_available())

Not creating XLA devices, tf_xla_enable_xla_devices not set

5.tensorflow-gpu都显示安装成功，但无法运行程序，以及anaconda文件下创建环境，但文件里为空，装到base里的python环境下，无法修正（pip未装导致的）。

出现这个原因是：anaconda里的tf版本太低只有2.3.0没有2.4.1的gpu版本以及没在这个环境安装pip！！！这个是重点

1.可以尝试先更新anaconda，再重新安装tensorflow-gpu

先执行，conda update conda，先把conda更新到最新版
然后输入conda update anaconda，把anaconda更新的新版。
输入conda update --all

觉得太慢就添加镜像源

2.添加国内镜像源

全局代理这个办法，这里不做讲解了，需要使用的朋友可以自己去研究一下。这里说一下添加国内镜像源的方法。

运行Anaconda Prompt
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/


conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/
2.设置启动设置好的国内镜像源

conda config --set show_channel_urls yes
3.查看是否添加上了源

conda config --show

如果镜像源失效了，或者想换成其他的源，怎么删除呢？

conda config --remove channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/


conda config --remove channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/

2.安装pip

conda install pip

然去找到anaconda文件夹，并打开该文件目录下的Script文件夹，查看是否有pip.exe文件，并查看是否配置了环境变量

没有就添加以下，

3.再重新

pip install tensorflow-gpu -i https://mirrors.aliyun.com/pypi/simple/

再加个镜像源，看看最近新版本的有没有装上。即可

汀、人工智能

关注

25
点赞
踩
73

收藏

觉得还不错? 一键收藏
打赏
20
评论
【一】tensorflow【cpu/gpu、cuda、cudnn】全网最详细安装、常用python镜像源、tensorflow 深度学习强化学习教学

1. tensorflow 深度学习书本链接：https://download.csdn.net/download/sinat_39620217/16491144对应码源以及学习资料链接：https://gitee.com/dingding962285595/tensorflow_-rl 欢...
复制链接

扫一扫