[操作笔记] 安装TensorFlow-gpu (Anaconda-Spyder)

  首先, 说明一下我的使用习惯. 我不喜欢使用pychram, 感觉使用Spyder更直观点. 所以, 我一般会安装Anaconda, 在上面创建一个新的环境, 接着安装Spyder编译器进行操作. Anaconda直接在官网下载然后安装就行, 非常简单. 如何在Anaconda上创建一个新的环境, 在Anaconda Powershell Prompt (推荐使用这个) 或者Anaconda Prompt上, 按照这个教程输入代码即可. 这里要提一个很重要的一点, 建议一定使用python 3.8而不要使用更新的python版本!

  我的设备有两个: 第一个是办公室的设备, 我配的比较顶, i9 14900K+RTX4090 (CUDA 12); 第二个是我自己的笔记本, 华硕的天选2, i7 11800H+RTX3060 (CUDA 11). 我在两个设备上均安装了tensorflow-gpu. 为什么要使用tensorflow不用pytorch呢? 我两者都会, 两个设备上也都将两者装在了不同的环境中. 但通常一些简单的任务, 我还是喜欢tensorflow. tensorflow在处理已经集成在框架内的网络时, 非常方便, 而且tensorflow-gpu可以自适应地将模型和数据放在GPU中运算. 而pytorch还需要自己设置数据加载器, 自己把数据和模型写进GPU. 但TensorFlow的缺点是不够灵活, 而且对新版本环境支持得不好. TensorFlow像是房子上面垒房子, pytorch是砖块叠砖块, 因此复杂网络还是使用pytorch写更好.

  无论是TensorFlow还是pytorch, 都需要安装CUDA. 具体如何安装, 可以参考博客来完成, 这里不再赘述.

  现在前置工作已经做完了:

1. 安装Anaconda
2. 配置一个新的python3.8环境
3. 安装完成CUDA

  接着打开Anaconda Powershell Prompt, 激活环境, 在环境中输入以下代码:

# conda安装必要的库(不知道为啥tensorflow-gpu和spyder分开安装会出现numpy库兼
# 容性问题, 所以第一步要同时将两者安装)
conda install spyder matplotlib pandas scikit-learn tensorflow-gpu
# 安装完成后卸载tensorflow-gpu (这个时候是识别不出gpu的,所以还要卸载掉)
conda uninstall tensorflow-gpu
# 重新使用conda安装tensorflow-gpu
conda install -c conda-forge tensorflow-gpu

  几个注意的点:

1. 最好是使用python 3.8版本的环境, 更新的版本各种问题.
2. 先装tensorflow-gpu后装Spyder, 会出现numpy包兼容问题, 导致tensorflow无法使用. (我不知道为啥, 两台电脑都出现了). 先装Spyder后装tensorflow-gpu, 会导致Spyder打不开. (我也不知道为啥, 我看了两者的依赖包也没啥冲突的) 所以一定要先同时把两者装上.
3. 推荐使用conda安装而不是pip安装, conda会把需要的环境配好, 省了很多功夫.

  最后打开Spyder编译器, 输入以下代码即可看是否能使用GPU:

import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))