Win10+Anaconda3+Python3.6+GeForceGTX1060+CUDA9.0+cuDnn7.0+Tensorflow-GPU1.12+keras+spyder+pycharm

第一步：安装Anaconda

下载和安装
下载地址：https://www.anaconda.com/download/
我系统是64位，所以下载 64-Bit Graphical Installer (631 MB)，之后就是进行安装了。
不要勾选**“Add Anaconda to my PATH enviroment variable”，我们后面会手动加入。
配置Anaconda环境变量
我们点击左下角搜索栏搜索“环境变量”，点击环境变量，选择“Path”，点击“编辑”，
将以下三个路径加入，注意这里要换成你自己的安装路径。
C:\Users\namaste\Anaconda3
C:\Users\namaste\Anaconda3\Scripts
C:\Users\namaste\Anaconda3\Library\bin
然后点击“确定”保存，这回再测试一下，再cmd中输入“conda -V”，能正常显示版本号，证明已经配置好了。

第二步：安装TensorFlow-GPU

打开tensorflow官网：https://www.tensorflow.org/install/install_windows#installing_with_anaconda

创建conda环境
通过调用下列命令，创建一个名为“tensorflow”的conda环境：
conda create -n tf-gpu pip python=3.6
激活环境
通过以下命令激活conda环境：
activate tensorflow
这样就进入了刚创建的“tensorflow”环境。
安装tensorflow-gpu
方法1（不推荐）：直接安装tensorflow(tf):
安装GPU版本的tensorflow需要输入以下命令：
pip install --ignore-installed --upgrade tensorflow-gpu
如果只需要安装CPU版本的tensorflow则输入以下命令：
pip install --ignore-installed --upgrade tensorflow
方法2：通过清华镜像修改的：
pip install --upgrade tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple ，
这样安装就是 tensorflow1.12.0 。
方法3：下载安装包安装
打开链接https://pypi.org/project/tensorflow-gpu/1.12.0/#files
下载选定的文件tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl (80.0 MB)
然后进入到下载目录，pip install tensorflow_gpu-1.12.0-cp36-cp36m-win_amd64.whl
推荐使用离线安装。
注意：务必注意一点，在安装完tensroflow后，由于我们是新创建的conda环境，该环境中基本上是空的，有很多包和IDE并没有安装进来，例如“Ipython”，“spyder”。此时如果我们在该环境下打开spyder/Ipyton/jupyter notebook等，会发现其实IDE使用的kernel并不是新建立的这个环境的kernel，而是“base”这个环境的，而“base”环境中我们并没有安装tensorflow，所以一定无法import。这也就是为什么有很多人在安装好tensorflow后仍然在IDE里无法正常使用的原因了。
安装Anaconda基础包
通过以下命令安装Anaconda基础包
conda install anaconda
这回，我们测试一下是否能import tensorflow
程序报错，这是由于我们虽然安装好了tensorflow-gpu，但是还需要安装CUDA Toolkit 和 cuDNN。

第三步：安装CUDA Toolkit + cuDNN

查看需要安装的CUDA+cuDNN版本
注意，tensorflow是在持续更新的，具体安装的CUDA和cuDNN版本需要去官网查看，要与最新版本的tensorflow匹配。
方法1：点击查看最新tensorflow支持的CUDA版本：
https://www.tensorflow.org/install/install_windows#requirements_to_run_tensorflow_with_gpu_support
tensorflow1.12.0版本支持的是 CUDA® Toolkit 9.0 + cuDNN v7.0，一定要跟着tensorflow 官网的提示来。
方法2：安装完之后我们需要知道CUDA和CUDNN的版本需要是什么版本
到C:\Users\namaste\Anaconda3\envs\tf-gpu\Lib\site-packages\tensorflow\python\platform\build_info.py这个文件，
可以看到使用的CUDA 9.0和cuDNN 7：亲测貌似没有？
下载CUDA + cuDNN
在这个网址查找CUDA已发布版本：https://developer.nvidia.com/cuda-toolkit-archive
我们开始下载cuDnn 7.0，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册就可以，免费的。登陆账号后才能下载。
cuDNN历史版本在该网址下载：https://developer.nvidia.com/rdp/cudnn-archive。
卸载原装NVIDIA显卡驱动
安装cuda cudnn
遇到了如下问题：The graphics driver could not find compatible graphics hardware。
这个问题的主要原因是你本机的显卡驱动版本比CUDA8.0中自带的驱动版本高（实际上，不论CUDA装的哪个版本，只要本机驱动比CUDA自带驱动版本高，都可能出现这个问题）。
解决办法：
直接点击继续—>同意并继续—>精简安装，直到完成。
在dos窗口中输入nvcc -V，如果输出是cuda版本信息，则说明安装成功。
解压cudnn,将这三个文件夹bin、include、lib复制到安装CUDA9.0的路径覆盖原有的文件。
本机的安装路径为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0。
添加环境变量：
将下面四个路径加入到环境变量中，注意要换成自己的安装路径。
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
到此，全部的安装步骤都已经完成，这回我们测试一下。

这时，在命令行activate tf-gpu
python
import tensorflow as tf
提示错误：Failed to load the native TensorFlow runtime.
无需理会，因为有很多依赖包尚未安装，直接进入第四步

第四步：进入Anaconda Navigator,在tf-gpu环境，安装spyder

测试：import tensorflow as tf
没报错
继续在Python交互式解释器中输入以下几行代码

import tensorflow as tf

hello = tf.constant(‘Hello,Tensorflow!’)

sess = tf.Session()

这时会等待一段时间，命令行出现以下信息
2019-04-22 14:39:55.433677: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2019-04-22 14:39:55.845062: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1060 major: 6 minor: 1 memoryClockRate(GHz): 1.6705
pciBusID: 0000:01:00.0
totalMemory: 6.00GiB freeMemory: 4.97GiB
2019-04-22 14:39:55.852792: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-04-22 14:42:33.894254: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-22 14:42:33.898962: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2019-04-22 14:42:33.901545: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2019-04-22 14:42:33.906961: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 4727 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1)

等全部显示完，继续输入
print(sess.run(hello))
如果窗口中输出是b’Hello,Tensorflow’，则说明已经成功。

查看是否使用GPU
import tensorflow as tf
tf.test.gpu_device_name()
窗口中输出：
2019-04-22 15:03:03.015443: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2019-04-22 15:03:03.323436: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1060 major: 6 minor: 1 memoryClockRate(GHz): 1.6705
pciBusID: 0000:01:00.0
totalMemory: 6.00GiB freeMemory: 4.97GiB
2019-04-22 15:03:03.330709: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-04-22 15:03:04.187494: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-22 15:03:04.191738: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2019-04-22 15:03:04.194378: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2019-04-22 15:03:04.197919: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/device:GPU:0 with 4727 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1)
‘/device:GPU:0’

查看在使用哪个GPU
from tensorflow.python.client import device_lib
device_lib.list_local_devices()
窗口中输出
2019-04-22 15:03:39.948390: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2019-04-22 15:03:39.952954: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-04-22 15:03:39.956907: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2019-04-22 15:03:39.959366: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2019-04-22 15:03:39.961608: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/device:GPU:0 with 4727 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1)
[name: “/device:CPU:0”
device_type: “CPU”
memory_limit: 268435456
locality {
}
incarnation: 12454758823252747417
, name: “/device:GPU:0”
device_type: “GPU”
memory_limit: 4957247897
locality {
bus_id: 1
links {
}
}
incarnation: 8139076033355622927
physical_device_desc: “device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1”
]

第五步：安装keras

pip install keras -U --pre
测试
import keras
输出：
Using TensorFlow backend.
没有报错，那么Keras就已经成功安装了

Keras中mnist数据集测试下载Keras开发包
conda install git
cd Users\namaste\Downloads\codes\keras\examples
git clone https://github.com/fchollet/keras.git
cd keras\examples
python mnist_mlp.py
程序无错进行，至此，keras安装完成。

第六步：安装pycharm：

下载pycharm-community-anaconda-2019.1.1
并安装

弓小长

关注

1
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
Win10+Anaconda3+Python3.6+GeForceGTX1060+CUDA9.0+cuDnn7.0+Tensorflow-GPU1.12+keras+spyder+pycharm

参考资料来源，如有侵权请联系删除：https://www.cnblogs.com/guoyaohua/p/9265268.htmlhttps://blog.csdn.net/hehedadaq/article/details/79845761https://blog.csdn.net/u012400305/article/details/84590259https://www.cnblog...
复制链接

扫一扫

专栏目录