安装Tensorflow（gpu版本）

一、安装Anaconda

文章结构：

• Anaconda 下载安装地址：https://www.anaconda.com/download/

安装完毕：

二、安装tensorflow（gpu版本）

1、查看电脑显卡配置

在安装前，首先确定你的电脑支不支持gpu,查看一下显卡配置：

注意：安装gpu版本的话需要提前安装cuda ，cudnn，而且cuda,cudnn,python,都要预先和TensorFlow匹配,这点十分关键，也是成败的关键

• 安装对应版本的cuda,cudnn 从这里看对应版本：https://tensorflow.google.cn/install/source_windows?hl=zh-CN

  

传送门：

cuda：https://developer.nvidia.com/cuda-toolkit-archive
cdnn：https://developer.nvidia.com/rdp/cudnn-archive

• 安装路径（记住）

• 配置环境变量path（看一下有没有配置好）

• 装 msvc,贴上：https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-170

• 关键步骤:cdnn下载好后对应的bin include lib 这些 文件的内容 相应的复制到 cuda的安装路径下的 对应的bin inculue lib 文件下

2、虚拟环境安装tensorflow

• 进入anaconda,base环境下 (创建虚拟环境这一步是方便不同版本的切换，不污染环境)

  #这里选择安装tensorflow2.4(需要CUDA 11.0和CUDNN 8.0，python 3.6-3.8)
  conda create --name tf_2.4 python=3.7      tf_2.4是自定义的环境名，python选择了3.7
  #这时候，创建好了虚拟环境，查看
  conda env list
  #激活虚拟环境  tf_2.4
  conda activate tf_2.4
  #安装tensorflow 2.4
  #选择国内清华源：：
  pip install pip -U
  pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
  pip install tensorflow-gpu==2.4.0
  #测试tensorflow
  python      #可以看到python版本
  

  

• 运行

  import tensorflow as tf
  tf.config.list_physical_devices() # gpu版的安装的信息
  #检查在本机有没有安装cuda  cudnn
  tf.test.is_built_with_cuda()  返回true
  tf.test.is_built_with_gpu_support() 返回true
  
  返回以下信息，说明安装成功了。
  

  

三、安装tensorflow(cpu版本)

• 创建虚拟环境安装tensorflow

  conda create --name tfcpu_2.7 python=3.7   #创建虚拟环境
  conda activate tfcpu_2.7   #激活
  
  #安装tensorflow2.7
  #选择国内清华源：
  pip install pip -U
  pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
  pip install tensorflow==2.7.0
  

• 测试tensorflow

四、添加内核

1、添加tensorflow gpu 2.4.0内核

• 思路：base环境安装ipykernel->新的环境安装ipykernel->回base环境->写入kernel->还是在base环境->激活jupyter lab
• 演示添加tensorflow gpu 2.4.0内核

#先给base环境安装
conda install ipykernel -y
#激活新的环境
conda activate tf_2.4    添加gpu版本的tensorflow到内核
#给新的环境安装ipykernel库管理解释器
conda install ipykernel -y
#切换回base环境
conda activate base
#写入kernel
python -m ipykernel install --user  --name tf_2.4 --display-name "tf_gpu_2.4" #--name tf_2.4原本环境的名字，"tf_gpu_2.4"是想要看到的名字
#还是在base环境，激活jupyter lab或者jupyter notebook
jupyter lab

到这，tensorflow gpu 2.4.0内核就添加成功了，添加cpu版本的也是一个道理的。

• 添加完内核后，可以方便的选择不同的内核进行切换，以满足不同的需求

2、删除内核

有时候，我们想要删除相应的内核，可以通过：

#删除juypter中kernel
jupyter kernelspec list 列出当前
jupyter kernelspec remove <名字>   #注释：<>尖括号去掉之后，输入kernel 名字即可删除

五、修改Jupyter lab路径

每次我们打开Jupyter lab时，在弹出的浏览器界面上是系统默认的文件位置（工作路径），有时候我们想保存写好的Python文件到自己想要的位置时就非常的不方便，那么我们该如何修改Jupyter lab默认的工作路径呢？

#base 环境下
jupyter notebook --generate-config
#根据路径，找到刚才生成的配置文件

• 用记事本打开此配置文档，并用搜索（Ctrl+F）找到如下字段：

  #c.NotebookApp.notebook_dir =
  

• 在后面的引号“”中输入想修改为的默认工作路径，并删除前面的#，保存文件
• 修改Jupyter lab的快捷方式，删掉目标中的%USERPROFILE%,并在后面添加上刚才设置好的默认工作路径

ok,更改成功。

六、一些要理解的基本知识

• base 环境只是anaconda自动配置的环境，里面的Python环境是你自己本机之前安装存在的。
• 在anaconda创建了虚拟环境后，意味着你要重新在这个虚拟环境重新安装
• conada 里面安装TensorFlow，conda会自动安装cudatoolkit，并不是说不用再安装cuda和cudann了，只是cudatoolkit会让你运行的时候启动一下显卡，还是需要手动安装cuda和cudnn到本机
• pip 和conda区别：功能区别不太大，使用pip的话仅仅安装软件包，使用conda，可以自动检查依赖环境