一、Python3.8安装
(1)下载Python3.8
进入python官网
Download Python | Python.org
选择python3.8.10—>Windows installer(64-bit)文件下载
二、无GPU下tensorflow环境搭建
(1)确认无GPU可用
有GPU的情况下,尽可能按照第三节进行环境搭建。确实没有GPU可用(如何判断
见3.1),才按照本节进行安装。
(2)pip命令升级
为了获得最新版本的软件包而无需额外编译,则需要升级到最新版本的pip。
python-mpipinstall--upgradepip
(3)pip命令安装tensorflow
本节通过pip安装tensorflow的版本为2.4.0rc2(当然需要去tensorflow官网查看该版本,与前面已安装的python3.8版本是一致的)。考虑到后续开展机器学习所需的numpy,pandas,matplotlib,sklearn等工具包,我们通过豆瓣源一并安装。在窗口中输入:
pip install numpy pandas matplotlib sklearn tensorflow==2.4.0rc2 -i https://pypi.doubanio.com/simple
(也可以用“tensorflow-cpu==2.4.0rc2”替换上面的“tensorflow==2.4.0rc2”,显示指明安装的是CPU版),如下图所示,说明以上机器学习包及tensorflow2.4.0rc2框架安装成功。
(4)测试tensorflow安装是否成功
在命令窗口输入python回车,然后输入如下代码
import tensorflow as tf
tf.constant(1)
屏幕输出为:
或者输入:
import tensorflow as tf
print('The Version of Tensodflow is : { }' .format(tf.__version__))
屏幕输出为:The Version of Tensodflow is : 2.4.0-rc2:
则说明numpy,pandas,matplotlib,sklearn,tensorflow2.4.0rc2均安装成功!
三、有GPU下tensorflow与Pytorch双环境搭建
3.1安装CUDA
(1)查看GPU型号
查看电脑GPU型号
win+R打开cmd,输入
nvidia-smi
如图显示本机显卡型号为GeForceRTX206,为发挥显卡性能,你可以通过https://developer.nivdia.com/下载该显卡的最新驱动进行显卡驱动更新,然后在查看显卡驱动更新后对应的CUDA版本。图2.14显示本机显卡的驱动版本为457.63,其对应的CUDA版本号为11.1。那么11.1版本及其之前版本的cuda都是可以安装的。
你也可以根据电脑GPU的型号,从官网CUDA Toolkit Archive | NVIDIA Developer确认你电脑GPU所支持对应的CUDA和cuDNN版本号。
(2)下载CUDA
官网https://developer.nvidia.com/cuda-downloads下载cuda安装包。一般随着时间推移
最新的推出,本教程以cuda11.1为例。选择下面的Resources→ArchiveofPreviousCUDA
Releases→CUDAToolkit11.1(Sept2020)→Windows→x86_64→10→exe(local)
→Download(3.1GB),耐心等待下载。
(3)安装CUDA
下载后点击exe文件运行,一路默认安装。到下图时选择自定义。
默认情况下只选第一项,若你的显卡驱动程序已更新到最高版本,而所选的CUDA版本所对应的硬件驱动程序版本较低,则不要选第三项。其他两项随意可选。
路径选择默认位置。后面一路默认就OK,安装成功关闭,需要记住这几个路径,后面
需要用到。
(4)配置环境
安装结束后,右键我的电脑-->属性-->高级系统设置-->环境变量,系统变量中已经加入了cuda的两个路径。
在系统变量中加入下面的路径,点击确定。
(5)检测cuda是否安装成功
打开cmd,cd两次到c目录下,复制cuda安装目录下的deviceQuery.exe和
bandwidthTest.exe两个程序的路径。分别运行这两个程序,result=pass则安装成功,否则就
重新安装。(也可以使用以下方式:找到这个两个文件,打开cmd,将这两个exe文件拖入cmd界面,回车运行)
deviceQuery.exe和bandwidthTest.exe路径:
重启电脑
nvcc-V
如下图所示,安装成功!
3.2安装cuDNN
(1)下载
点击进入cudnn下载地址
cuDNN Archive | NVIDIA Developerhttps://developer.nvidia.com/rdp/cudnn-archive选择相应的cuda版本下载cudnn版本(如果没有账号,需要注册一个账号才能进行下载)。
因为cuDNN的最新版11.4不对应cuda11.1,所以选择历史版本(Archived cuDNN Releases→Download cuDNN v8.2.1(June7th,2021), for CUDA11.x →cuDNN Library for Windows(x86))。然后耐心等待下载。
(2)安装
对下载的cuDNN压缩包解压后出现如下三个文件夹
然后找到cuda的安装路径(本教程如下C:\ProgramFiles\NVIDIA GPU Computing Toolkit\CUDA\v11.1),依次将cuDNN三个文件夹的内容分别复制拷贝到cuda对应的文件夹
里面。如下所示:
(3)配置环境变量:
找到环境变量-系统变量-path,分别将如下三个变量添加进去,完成安装。
3.3Miniconda安装
(1)下载
在
Index of /anaconda/miniconda/ | 清华大学开源软件镜像站 | Tsinghua Open Source Mirror网址查询,下载对应Python3.8版本号的
Miniconda3-py38_4.10.3-Windows-x86_64.exe
(2)安装
点击下载好的.exe文件点击next进行安装,记住安装路径,在配置环境变量的时候需要用到
建议勾选第二项。然后等待几分钟,即可安装成功。
(3)配置环境
在系统环境变量中,将以下3个目录添加到path中,这样我们可以直接在cmd命令窗
口使用conda命令。
D:\ProgramFiles\miniconda
D:\ProgramFiles\miniconda\Scripts
D:\ProgramFiles\miniconda\Library\lib
(4)添加conda镜像服务器
因为conda下载文件要用到国外的服务器,速度一般会比较慢,我们可以通过增加一个
清华的镜像服务器来解决。打开cmd终端或者AnacondaPrompt,粘贴并运行下面两行代码:
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
3.4双环境创建
安装完Miniconda3后,为便于创建Tensorflow和Pytorch两个深度学习平台,我们首先
通过Miniconda3创建两个虚拟环境,一个为py3.8-tf2.4,用来搭建Tensorflow2.4深度学习
平台;另一个虚拟环境为py3.8-torch1.8,用来搭建Pytorch1.8深度学习平台。
具体操作步骤如下:
打开AnacondaPrompt或win+r→cmd命令窗口,输入以下命令并回车,再在提示时输
入“y”再回车。几分钟过后,可创建对应python版本的虚拟环境:
conda create -n py3.8-tf2.4 python==3.8
其中“py3.8-tf2.4”为将用来搭建搭建Tensorflow2.4平台的虚拟环境名称,“3.8”为新环境对应的python版本。
同样步骤,再执行:
conda create -n py3.8-torch1.8 python==3.8
会得到名称为“py3.8-torch1.8”的虚拟环境,它将用来搭建搭建Pytorch1.8深度学习平台。重新进入AnacondaPrompt,可以使用“conda env list”命令查看已有环境
说明本电脑在miniconda3管理下,有5个环境,其中base是miniconda3自带虚拟环境,“py3.8-tf2.4”和“py3.8-torch1.8”是成功创建的环境。
3.5Tensorflow环境搭建
(1)激活 py3.8-tf2.4 虚拟环境
在 Anaconda Prompt 窗口,输入以下命令激活环境
conda activate py3.8-tf2.4
(2)在 py3.8-tf2.4 虚拟环境下安装
激活 py3.8-tf2.4 环境后,我们使用豆瓣源通过如下 pip 命令一次性安装 tensorflow2.4 平
台所需要的所有资源。
pip install numpy pandas matplotlib sklearn notebook tensorflow-gpu==2.4.0rc2 -i https://pypi.doubanio.com/simple
解决:版本不匹配
Build from source on Windows | TensorFlow (google.cn)看看官方给的版本对应关系
我选择了2.7版本重新下载
pip install tensorflow-gpu==2.7.0 -i https://pypi.mirrors.ustc.edu.cn/simple
成功!
(3)安装 ipykernel 包
上面步骤安装完后,考虑别到要使用 jupyter notebook 为深度学习编译器,则需要安装
ipykernel 包。
进入 Anaconda Prompt 窗口,激活 py3.8-tf.2.4 环境(如第一步),输入
conda install ipykernel
3.6Pytorch1.8环境搭建
激活py3.8-torch1.8环境
conda activate py3.8-torch1.8
(1)下载torch1.8轮子
pip install torch==2.0.0 torchvision==0.15.1 torchaudio==2.0.1 --index-url https://download.pytorch.org/whl/cu118 -i https://pypi.tuna.tsinghua.edu.cn/simple
(2)重新进入AnacondaPrompt窗口,激活py3.8-torch1.8环境,输入如下命令:
pip install numpy pandas matplotlib sklearn notebook -i https://pypi.doubanio.com/simple
实现资源包和jupyter的安装。
(3)安装ipykernel包
重新进入AnacondaPrompt窗口,激活py3.8-tf.2.4环境,输入
conda install ipykernel
(4)测试torch1.8
重新进入AnacondaPrompt窗口,激活py3.8-tf.2.4环境,先键入python进入python工作环境,然后键入importtorch,如果未报错,则pytorch安装成功,之后输入指令torce.cuda.is_available(),如果显示True,则GPU可被pytorch使用。