TensorFlow2.8安装

一·GPU版本

前言，2.10和2.11都缺少很多DLL文件，而且找不全，2.12解压就会出现问题，2.8是我目前发现的能用的版本了，全部一模一样复刻。今天是7月26号，GPU只有2.10版本之前的，2.11和2.12只有CPU版本，我居然才知道，痛苦面具。

结论tensorflow2.8.0  配合 cuda 11.8 +cudnn8.9 可行！

1.1. GPU三个要求

第一 cuda toolkit 9.0  并有相关驱动  加入环境变量

第二 支持的显卡（N卡才行）Compute capability >3.0或者3.5的卡

第三 cuDnn 7.0 并加入环境变量

1.2. 查看方式

1.2.1 设备管理器显示确定有无驱动

1.2.2 去官网查计算能力，基本750以上才行

CUDA GPUs - Compute Capability | NVIDIA Developer

 1.2.3 查看电脑的cuda版本

NAVIDIA控制面板中左下角系统信息——组件 

12.1显然可以

1.3操作步骤

1.3.1 对应官网下载对应版本的cuda和cudnn，版本可以低，不能高了，地址：CUDA Toolkit Archive | NVIDIA Developer   cudnn  的下载地址如下：cuDNN Archive | NVIDIA Developer

下载12.0.0版本的cuda，并下载对应的cudnn

 选择了local版本的

 尝试个最新的，希望别出错

1.3.2 cuda安装 自定义 ——默认路径安装——结束，这时候会生成两个系统变量，查看方式：

此电脑——属性——高级系统设置——环境变量——系统变量 ,在系统变量中找到path，去里面加另外两条，前两条应该本来就有，把后两条加上，最终有四条路径见截图

1.3.3 cuDnn安装 ，安装完了直接复制粘贴到duda安装目录文件中，给他覆盖了就完事儿了。完了我的没有覆盖选项，他们没有重合的部分，不会出问题了吧。

1.3.4 测试cuda版本，见证奇迹的时候到了，打开cmd，输入指令：nvcc -V

nice成功了，大佬牛X 

二·Anaconda配环境（我自己有，省略安装，直接配）

2.1配置环境

2.1.1查看

打开Anaconda Prompt，输入命令

conda --version查看安装的版本

conda env list查看已经安装的环境，右边“*”表示当前使用的环境

 2.1.2 创建

创建tensorflow环境，输入命令：conda create -n tensorflow python=3.9

注意环境命名不要叫tensorflow，不要和包的名字重合，后面后出bug，我给他改成了tf2.6

conda create -n tf python=3.8

创建成功后，查看环境然后用activate激活：activate tensorflow

因为我的conda环境在D盘中，所以将路径改了以下！很重要。如果anaconda安装的时候是默认路径，这一步不需要。

\anaconda3\envs\tf2.8

 很重要奥，要不然装什么都白装

2.1.2 安装GPU版本的TensorFlow

安装tensorflow-gpu版本的，可以输入命令：pip install --ignore-installed --upgrade tensorflow-gpu

这一条失败了 ，是pip的问题，问了GPT说最好使用conda，这个时候GPT就是埋下的雷，因为国内需要科学上网，导致出现了SSL代理问题，把梯子关了就好了。

使用命令：pip install tensorflow-gpu  就搞定了，下载了挺久的，下载不了的见这篇文章（PS：我就是照着这篇文章做的，很全面，当然这个文档也是写给自己看的。）

(90条消息) tensorflow详细安装教程（Win10, Anaconda，Python3.9）_tensorflow安装教程_Yan_Yancy的博客-CSDN博客

 2.1.3 手动下载

我就知道没那么好整，2.10和2.11都是DLL问题，2.12是setup文件的问题，目前还是得2.8

手动到这个网站下载，去找这个Feb 2 的版本，有人分享了这个缺少的唯一一个DLL，救了大命了。

tensorflow-gpu · PyPI

 下载完了放到对应环境的bin中，对我如下

之后输入命令：pip install tensorflow_gpu-2.8.0-cp39-cp39-win_amd64.whl

如果有网速问题，照着前文解决(90条消息) tensorflow详细安装教程（Win10, Anaconda，Python3.9）_tensorflow安装教程_Yan_Yancy的博客-CSDN博客

下载好了以后就是done，确定的时候，可以用：pip show  tensorflow-gpu看看版本号，有就对了

2.1.4 补充DLL

这时直接进2.2.2验证，会出这个问题，其实挺好的，2.10.0报的错巨长，头都裂开了

 去下载一个DLL，文件由前文博主分享，在下仅仅复制粘贴，我缺少的是cudart64_110.dll，博主当时缺少的是cusolver64_11.dll

链接：https://pan.baidu.com/s/1W9fR2N_hoVD-7_ODtOiJhg
提取码：u65i

这是11.2缺少的dll文件，11.8应该不缺，至少我不缺

下载好了以后放到这里，对应环境的bin中，里面全是dll，肯定错不了

 解决方法是到这个网站下载一个，然后方到C:\Windows\System32目录里，解决了问题

Download missing DLL files for free | DLL‑files.com

2.1.5 protobuf问题

我的是4.几的版本，要我降到3.20以下。

 pip uninstall protobuf

pip install protobuf==3.20.1就完了，希望没事儿了。

2.1.6 cuda版本问题（前面的雷）

 缺少dll文件，而且一缺就是一组，这个时候对比自己的

在其他人的网盘里下载了一套_10的DLL文件，总之都不对，这是cuda版本的问题，需要v11.2的cuda，卸了重下。PS：我最后没有卸载新版本（12.0）的，只是把旧版本（11.8）下载了一份，然后调整了环境变量，让旧版本在前面即可。

(91条消息) windows下CUDA的卸载以及安装_卸载cuda_hi_1900的博客-CSDN博客

2.2 查看和验证

2.2.1 查看

输入命令：pip show tensorflow-gpu，可以查看tensorflow的版本信息，我这里查不到tensorflow，只能查到 tensorflow-gpu 所以最好直接到集成的环境spider或者pycharm里面试一试测试代码，能引入就好了

 2.2.2 验证

在自己pycharm中加入一个解释器，选择到环境的位置中的python.exe即可。

 之后调用测试代码，分两个，一个市能不能引用，一个是测试速度。

第一个：

import tensorflow as tf
a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print(tf.__version__)
print(tf.test.gpu_device_name())
print('GPU:',tf.config.list_physical_devices(device_type='GPU'))
print('CPU:',tf.config.list_physical_devices(device_type='CPU'))
print(tf.test.is_gpu_available())

结果： 

第二个：

import tensorflow as tf
import timeit
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        cpu_c = tf.matmul(cpu_a, cpu_b)
        # print( "cpu_a: ", cpu_a.device)
        # print( "cpu_b: ", cpu_b.device)
        # print("cpu_c:", cpu_c.device)
    return cpu_c

#指定在gpu上运行

def gpu_run():
    with tf.device( '/gpu:0'):
        gpu_a = tf.random. normal([ 10000,1000])
        gpu_b = tf.random. normal([ 1000, 2000])
        gpu_c = tf.matmul(gpu_a, gpu_b)
        # print( "gpu_a: ", gpu_a.device)
        # print("gpu_b: ", gpu_b.device)
        # print("gpu_c: ", gpu_c.device)
    return gpu_c

cpu_time = timeit.timeit(cpu_run, number = 10)
gpu_time = timeit.timeit(gpu_run, number = 10)
print('cpu:',cpu_time, 'gpu:',gpu_time)

结果：

请注意，第一次跑的时候，跑得慢是很正常的，第二次就快了。