用Anaconda创建虚拟环境+tensorflow gpu 2.1.0+pycharm引入自建的虚拟环境+测试安装是否成功

最新推荐文章于 2023-09-19 17:45:08 发布
最新推荐文章于 2023-09-19 17:45:08 发布
阅读量689 收藏 5
点赞数
文章标签： pycharm tensorflow python gpu anaconda
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_40634691/article/details/119980688
版权

打开Anaconda Prompt

在开始菜单找到Anaconda Prompt打开
在这里插入图片描述
或者打开Anaconda Navigator——CMD.exe Prompt
在这里插入图片描述
在这里插入图片描述

创建虚拟环境

在Anaconda Prompt内输入命令

conda crate -n 自取虚拟环境名称 python=所需版本号

如：
在这里插入图片描述
中间会让我们确认一下，输入y，再回车即可
在这里插入图片描述
创建成功后，进入新创建的环境：

activate 环境名

如：
在这里插入图片描述
在新创建的环境(我的是cnn-gpu)下，安装tensorflow gpu 2.1.0版本:
(注意这里是有两个等号，前面创建虚拟环境是一个等号)

conda install tensorflow-gpu==2.1.0

在这过程中，也需要输入y进行确认
在这里插入图片描述
果然，在这安装过程中，就那么不幸的报错了，有三个包没安装成功，分别是cuda、cudnn、mlk…呜呜呜，可能网络不好吧，http error一般是网络问题，那我就再重新输一次conda install tensorflow-gpu==2.1.0试试看
在这里插入图片描述
果然刚刚是网络问题，这次剩余的3个安装失败的包，成功了2个，就剩cudnn了，那就再来一次conda install吧
在这里插入图片描述
好啦，终于成功啦！
在这里插入图片描述

安装完毕后，我们需要补齐该虚拟环境缺失的其他库：

conda install anaconda

至此，就安装完毕啦。
接下来，打开pychram，创建一个py文件
右下角 选择Add Interpreter
在这里插入图片描述
这里选择Conda Environment，勾选Existing environment那项，然后Interpreter那里选择刚刚创建的虚拟环境的地址
在这里插入图片描述
刚刚创建的虚拟环境地址是在anaconda的安装路径下，envs文件内，cnn-gpu是刚刚创建的虚拟环境的名称，选择cnn-gpu文件内的python.exe，点击OK，其它内容默认不变即可。
在这里插入图片描述
简单小测试一下

import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)

结果

C:\Users\txh\anaconda3\envs\cnn-gpu\python.exe "D:/Project/protein function prediction/test.py"
2021-08-29 17:12:12.164126: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2021-08-29 17:12:13.926861: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2021-08-29 17:12:13.930080: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2021-08-29 17:12:15.418699: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1555] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce RTX 3060 Laptop GPU computeCapability: 8.6
coreClock: 1.425GHz coreCount: 30 deviceMemorySize: 6.00GiB deviceMemoryBandwidth: 312.97GiB/s
2021-08-29 17:12:15.418827: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2021-08-29 17:12:15.422981: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2021-08-29 17:12:15.425944: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2021-08-29 17:12:15.427487: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2021-08-29 17:12:15.430812: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2021-08-29 17:12:15.432614: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2021-08-29 17:12:15.439222: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2021-08-29 17:12:15.439344: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1697] Adding visible gpu devices: 0
/device:GPU:0
2021-08-29 17:12:16.231530: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1096] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-08-29 17:12:16.231623: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102]      0 
2021-08-29 17:12:16.231677: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] 0:   N 
2021-08-29 17:12:16.231843: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1241] Created TensorFlow device (/device:GPU:0 with 4747 MB memory) -> physical GPU (device: 0, name: GeForce RTX 3060 Laptop GPU, pci bus id: 0000:01:00.0, compute capability: 8.6)

Process finished with exit code 0

还可以进一步测试一下是否调用到gpu，而不是只用cpu

import tensorflow as tf

tf.compat.v1.disable_eager_execution()

with tf.device('/cpu:0'):
    a = tf.constant([1.0, 2.0, 3.0], shape=[3], name='a')
    b = tf.constant([1.0, 2.0, 3.0], shape=[3], name='b')
with tf.device('/gpu:1'):
    c = a + b

sess = tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(allow_soft_placement=True, log_device_placement=True))
sess.run(tf.compat.v1.global_variables_initializer())
print(sess.run(c))

结果：

C:\Users\txh\anaconda3\envs\cnn-gpu\python.exe "D:/Project/protein function prediction/test.py"
2021-08-29 16:55:52.149657: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2021-08-29 16:55:53.881584: I tensorflow/core/platform/cpu_feature_guard.cc:142] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2
2021-08-29 16:55:53.884395: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library nvcuda.dll
2021-08-29 16:55:55.445288: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1555] Found device 0 with properties: 
pciBusID: 0000:01:00.0 name: GeForce RTX 3060 Laptop GPU computeCapability: 8.6
coreClock: 1.425GHz coreCount: 30 deviceMemorySize: 6.00GiB deviceMemoryBandwidth: 312.97GiB/s
2021-08-29 16:55:55.445421: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudart64_101.dll
2021-08-29 16:55:55.448492: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cublas64_10.dll
2021-08-29 16:55:55.451295: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cufft64_10.dll
2021-08-29 16:55:55.452412: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library curand64_10.dll
2021-08-29 16:55:55.455760: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusolver64_10.dll
2021-08-29 16:55:55.457529: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cusparse64_10.dll
2021-08-29 16:55:55.463702: I tensorflow/stream_executor/platform/default/dso_loader.cc:44] Successfully opened dynamic library cudnn64_7.dll
2021-08-29 16:55:55.463828: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1697] Adding visible gpu devices: 0
Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce RTX 3060 Laptop GPU, pci bus id: 0000:01:00.0, compute capability: 8.6
add: (AddV2): /job:localhost/replica:0/task:0/device:GPU:0
init: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0
a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2021-08-29 16:56:45.490608: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1096] Device interconnect StreamExecutor with strength 1 edge matrix:
2021-08-29 16:56:45.490694: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1102]      0 
2021-08-29 16:56:45.490742: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] 0:   N 
2021-08-29 16:56:45.490908: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1241] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 4747 MB memory) -> physical GPU (device: 0, name: GeForce RTX 3060 Laptop GPU, pci bus id: 0000:01:00.0, compute capability: 8.6)
2021-08-29 16:56:45.493253: I tensorflow/core/common_runtime/direct_session.cc:358] Device mapping:
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: GeForce RTX 3060 Laptop GPU, pci bus id: 0000:01:00.0, compute capability: 8.6

2021-08-29 16:56:45.494291: I tensorflow/core/common_runtime/placer.cc:54] add: (AddV2): /job:localhost/replica:0/task:0/device:GPU:0
2021-08-29 16:56:45.494378: I tensorflow/core/common_runtime/placer.cc:54] init: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0
2021-08-29 16:56:45.494466: I tensorflow/core/common_runtime/placer.cc:54] a: (Const): /job:localhost/replica:0/task:0/device:CPU:0
2021-08-29 16:56:45.494557: I tensorflow/core/common_runtime/placer.cc:54] b: (Const): /job:localhost/replica:0/task:0/device:CPU:0
[2. 4. 6.]

Process finished with exit code 0

出现以上结果都说明成功啦。

Triangulum
关注
在Windows10下用Anaconda创建TensorFlow2.0.0 (CPU+GPU) 虚拟环境
littlecola的博客
04-14 1606
在Anaconda中创建TensorFlow2.0.0虚拟环境（Windows）1. 修改conda国内镜像源2. 创建Anaconda环境3. 安装Tensorflow2.0 CPU版本4. 安装Tensorflow2.0 GPU版本 1. 修改conda国内镜像源 修改原因是外网下载速度忒慢~ （1）在Anaconda Prompt窗口执行配置命令 conda config --add cha...
TensorFlow：Anaconda环境下的TensorFlow安装和测试
Bob_lb的博客
10-17 4216
近两年掀起的人工智能热将人工神经网络技术推向了新技术的最前沿。毋庸置疑，人工智能的再次兴起得益于深度神经网络理论的突破和革新，而深度神经网络技术的表现也将很大程度上决定这次人工智能发展的前景。笔者作为一个技术菜鸟，最近在学习TensorFlow深度学习框架的同时（用的资料主要是郑泽宇老师主编的《TensorFlow实战Google深度学习框架 第二版》），也将学习心得整理成文，一方面...
Anaconda中创建虚拟环境及装tenserflowgpu环境
Y的博客
05-10 209
conda中装tenserflowgpu环境创建虚拟环境目的过程记录强调创建虚拟环境激活虚拟环境安装cuda和cudnn（若无英伟达显卡则无须安装）安装gpu版TensorFlow（若无英伟达显卡则去掉命令中的-gpu）安装低版本numpy，否则import会报错 创建虚拟环境目的 满足存在多个项目需要不同运行环境的情况 便于管理大量环境 防止出现冲突和不兼容的情况 过程记录 强调 注意cuda,cudnn,tensorflow三者的版本需要相对应 可参考 https://tensorflow.goog
conda 安装tensorflow 测试tensorflow
u010689853的博客
01-01 880
安装 tensorflow conda install tensorflow-gpu tensorflow安装是否成功 pip show tensorflow D:\ProgramData\Anaconda3>pip show tensorflow Name: tensorflow Version: 2.1.0 Summary: TensorFlow is an open source machine learning framework for everyone. Home-pa...
ubuntu装TensorFlow-GPU2.1.0
dreaming_song的博客
04-24 967
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结 前言 提示：这里可以添加本文要记录的大概内容： 例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。 提示：以下是本篇文章正文内容，下面案例可供参考 一、pandas是什么？ 示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。 二、使用步骤 1.引入库 代码如下（示例）： import numpy as np import.
环境配置Win10+CUDA+CUDNN+Pycharm+tensorflow-gpu2.1.0安装过程
Ace_oppa的博客
09-27 758
环境配置过程电脑配置安装过程CUDA和CUDNNPycharm环境下安装Tensorflow-gpu电脑配置安装过程CUDA和CUDNNPycharm环境下安装Tensorflow-gpu 2.1.0 电脑配置 安装过程 CUDA和CUDNN Pycharm环境下安装Tensorflow-gpu 电脑配置 一、显卡：NVIDIA GTX950M **查看方式：**NVIDIA控制面板 二、显卡驱动程序：帮助→系统信息 可以看到自己电脑的配置，win10+显卡GTX950M，以及驱动程序版本456.38 点
pycharm配置tensorflow GPU环境
WL413911的专栏
05-13 1296
安装tensorflow-gpu时需要根据自己电脑已有的cuda版本进行命令的选择，否则会导致tensorflow，cuda不可用（命令行显示的cuda版本为此驱动可支持的最大版本的cuda，如果需要其他版本的cuda可以自行安装）。没有指明包含chanel名称的情况下，均在main的频道中寻找指定操作的包，如果指定chanel-name，则在main频道中找不到时，会去指定的chanel-name中找。选这个就可以 我的cuda版本在11.4 够用 cuda 10.1 然后对应的cudnn 是 7.6。
Anaconda4.5.1+tensorflow2.1.0+keras2.3.1+theano+Mingw+python3.6安装总结
Z_yu_cc的博客
10-16 666
前提：把你电脑里的python全删了，干干净净啥也没有的，谁知道后面有什么东西就和你之前的python环境起冲突啦不兼容啦电脑不知道用那个python环境啦啥的(因为Anacondn自带python)，最后很重要很重要就是说，一定要跟着一个最适合你自己的帖子做下去，不然东看西看，搞得我心态都快爆炸了。这里介绍两种方法安装上述这些东西，第二种很方便，但是我还是用第一种，别问why，问就是执念，就是掘。然后我建议大家可以先浏览我在文末贴的网址，因为我的内容是在我反反复复烦烦烦安装了好几天看了这些借鉴的帖子的总结
安装TensorFlow-gpu2.1.0（stable）超简单的配置！！！
持之以恒
05-30 1767
按照TensorFlow-gpu2.1.0（stable）1.创建虚拟环境2.安装3.测试4.应用 1.创建虚拟环境 方法一： conda create -n tf_2g python=3.7（速度可能有点慢，需要多试几次），选择yes 进入该环境：conda activate tf_2g 方法二： 使用virtualenv创建新的虚拟环境。 优点：在pycharm中创建环境，可以继承全局的安装包。这样，安装模块的时候，就不用总是切换到该环境下，再安装一遍。而且，可以随意使用conda或pip安装的包，不用
CUDA10.1+cudnn7.6.5+tensorflow-gpu-2.1.0安装过程
Cool_Uncle的博客
07-05 4666
这里写自定义目录标题安装anaconda配置pip和conda国内镜像源创建虚拟环境安装CUDA和cuDNN检查当前显卡驱动版本安装CUDA和cuDNN安装cudnn安装tensorflow-gpu-2.1.0安装VS依赖测试代码 安装anaconda 安装python3.7版本的anaconda 配置pip和conda国内镜像源 将pip.ini文件放到C:\Users\user\pip下 #pip [global] index-url=https://pypi.tuna.tsinghua.edu.cn/
Anaconda Navigator下TensorFlow的安装与配置（在网页下载TensorFlow再配置）
RM_Jin的博客
12-13 2254
Anaconda Navigator下TensorFlow的安装与配置（在网页下载TensorFlow再配置） 1.安装好Anaconda Navigator 可以参考该教程 可通过conda --version来查看是否安装成功 2.打开Anaconda Navigator主页 点击CMD下的Launch打开命令行 输入python -V查看python的安装版本 3.打开链接下载所需的TensorFlow版本 例如：我的是3.7.9 win10 64位 则下载了 并放到一个目录下，例如D盘下 4.
anaconda配置tensorflow-gpu环境并在jupyter notebook使用（两种方法：命令行/anaconda内）
Ang_go的博客
01-30 4649
本文是有关anaconda配置tensorflow-gpu环境，将通过命令行和anaconda内两种方式，读者可自行选择，let’s go！ 以下目录1、2两章内容相同，方式不同，择其一即可。 anaconda配置tensorflow-gpu环境一、anaconda内创建tensorflow虚拟环境二、命令行终端（Anaconda Prompt）创建tensorflow虚拟环境 一、anaconda内创建tensorflow虚拟环境 1.创建环境：打开anaconda，选择左侧environments，点击
Tensorflow2.0环境搭建及Pycharm激活虚拟环境
手写我对你的温柔
01-26 1921
Anaconda+Pycharm. tf2.0还可以用docker安装 1.硬件环境：GPU/CPU 如果需要安装GPU版本的，需要电脑有NVIDIA显卡。 目前市面上的显卡大致分为3大品牌： intel AMD NVIDIA 如果电脑上没有独立的显卡，也就是说是显卡是集显的话，很大情况下是intel的。 如果独显分为amd和nvidia可以大概看一下配置： 说明支持GPU版...
使用Conda搭建tensorflow虚拟环境及Conda常用指令
KKKcp的博客
10-16 481
一.准备docker环境 这里使用使用cpu版本的docker，基于gpu的各种包需要额外进行显卡驱动的更新与配置，下面会生成docker镜像并且形成name：ppocr的容器 sudo docker run --name ppocr -v $PWD:/paddle --network=host -it hub.baidubce.com/paddlepaddle/paddle:latest-gpu-cuda9.0-cudnn7-dev /bin/bash 二.安装PaddlePaddle V2.0
[tensorflow]tensorflow2.1.0使用内置方法进行培训和评估
henku449141932的博客
07-12 331
1、引言 本练习使用内置API进行训练和验证时的训练，评估和预测（推断）模型（例如model.fit（），model.evaluate（），model.predict（））。 我们最回顾下机器学习的一般步骤： 数据准备 创建模型 训练模型 评估模型 预测数据 其实任何机器学习的过程都是这几个大步骤的扩充和缩减。 说明： 本练习用tensorflow 2.1.0，python 3.7 如不说明,所有代码读引入以下包 import tensorflow as tf from tensorf
tensorflow2.1.0 安装成功
S10100S的博客
05-12 245
在Anaconda下创建虚拟环境安装Tensorflow的注意事项及过程
最新发布
m0_44969266的博客
09-19 1168
帮助大家实现在Anaconda下创建虚拟环境来安装tensorflow
安装tensorflow-gpu
weixin_45226065的博客
07-06 2301
报错信息：protobuf requires Python '>=3.7' but the running Python is 3.6.2。更新命令：python -m pip install --upgrade pip。但是报错，需要更高版本的python，于是需要在虚拟环境中升级python。python常见错误：Cannot uninstall ‘six‘.对应的最低tensorflow-gpu是1.2.0版本的。python是3.6.2版本的。选择一个合适的2.0.0版本的。
安装 Tensorflow 2.1.0 版本
u011385476的博客
04-03 6574
安装 Tensorflow 2.1 版本 本次主要介绍如何简要的安装 Tensorflow 2.1 的 cpu 以及 gpu 版本。 一. 安装 cpu 版 在安装 tensorflow 之前，你要确保自己安装了 anaconda 。 在 anaconda 里面，我们只需要输入：conda install tensorflow==2.1.0 就可以成功安装 tensorflow 了。 二...
Anaconda3+TensorFlow2.0+PyCharm安装与环境搭建详教程
本文将详细介绍如何在Windows系统上安装并配置Anaconda3、TensorFlow 2.0.0以及使用PyCharm进行开发环境的搭建。以下是详细步骤： 1. **Anaconda3安装** - 访问Anaconda官网下载Anaconda3 2019.03 64-bit版本，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值