tensorflow详细安装教程（Win10, Anaconda，Python3.9）

文章目录

• tensorflow详细安装教程（Win10, Anaconda，Python3.9）
• • 1.tensorflow版本的准备工作
  • • 1.1 CPU版本，无需额外准备
    • 1.2 GPU版本，需要提前下载cuda和cudnn
  • 2.下载Anaconda
  • • 2.1 下载并安装Anaconda
    • 2.2 创建环境
  • 3.测试tensorflow-gpu是否安装成功

1.tensorflow版本的准备工作

CPU版本和GPU版本的区别主要在于运行速度，GPU版本运行速度更快，所以如果电脑显卡支持cuda，推荐安装gpu版本的。

操作并不复杂，一开始我觉得要下这么多东西，感觉很麻烦，不想搞，但为了速度，最后还是尝试安装了一下，发现并没有那么难搞。

1.1 CPU版本，无需额外准备

CPU版本一般电脑都可以安装，无需额外准备显卡的内容。

1.2 GPU版本，需要提前下载cuda和cudnn

根据网页在 Windows 上安装 TensorFlow (juejin.im)的说明，需要满足以下四个条件。

1. 查看电脑的显卡，此电脑→右键选管理→设备管理器→显示适配器。

   核显UHD Graphics 630和独显GeForce GTX 1050，主要看独显GeForce GTX 1050。

   选中NVDIA GeForce GTX 1050右键选属性→驱动程序，可以看到已经装好驱动。满足四个条件之一。
   

2. 查看CUDA Compute Capability，网址CUDA GPUs | NVIDIA Developer。将部分内容截图，可以看到GeForce GTX 1050的Compute Capability是6.1满足四个条件之一。
   

3. 查看电脑的CUDA版本。图标处右键NVDIA控制面板→系统信息→组件，红框中，可以看到CUDA的版本是11.1。
   
   

4. 下载cuda和cudnn。在官网上下载对应的cuda和cudnn，版本可以低于但不能高于电脑支持的版本。cuda下载地址：CUDA Toolkit Archive | NVIDIA Developer，cudnn下载地址：cuDNN Archive | NVIDIA Developer

   我下载的是CUDA Toolkit 11.0.0，选择相应的系统、版本等选项，Download安装包。

   下载对应版本的cuDNN。这里选择的是cuDNN v8.0.5 for CUDA 11.0。

5. CUDA安装：选自定义安装→默认安装路径→安装结束

   安装完成后，会默认生成两个系统变量。

   系统变量查看：此电脑→右键选属性→高级系统设置→环境变量→系统变量
   这里可以在系统变量中找到path，然后编辑，添加一些路径，最终一共有四条，以后如果有需要再添加额外的路径，都可以到这里添加。

6. cuDNN安装：解压→将三个文件夹复制到cuda的安装目录下，直接选择覆盖文件就可以。

   安装完毕，测试cuda版本。

   打开cmd，输入指令：

   nvcc -V

   

   到此，四个条件都已满足。

2.下载Anaconda

2.1 下载并安装Anaconda

下载地址Anaconda | Anaconda Distribution，我安装的版本是Python3.9，安装过程记得选择自动配置环境变量。

安装完成后，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

2.2 创建环境

1. 创建tensorflow环境，输入命令：conda create -n tensorflow python=3.9，表示创建一个名字为tensorflow的环境，这个环境用的python版本是3.9版本的
   

2. 创建成功后，输入命令：conda env list，可以看到tensorflow环境已经创建，星号为当前所在环境（基础环境base）。
   

3. 进入环境，输入命令：activate tensorflow，就可以进入tensorflow环境中。
   

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

4. 安装默认版本的tensorflow-cpu或者tensorflow-gpu。

   没有配置cuda，安装tensorflow-cpu版本的，可以输入命令：pip install --ignore-installed --upgrade tensorflow
   

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

   然后下载一会之后，会报错，这是网速的原因。

   解决方法是：找到tensorflow_gpu-2.8.0-cp39-cp39-win_amd64.whl (438.0 MB)这个文件。

   登录https://pypi.org/，搜索tensorflow_gpu，点击要的包名称。

   网址tensorflow-gpu · PyPI，下载文件到D:\Anaconda3\envs\tensorflow\这个目录下。

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

   这个时候又报错ERROR: Could not find a version that satisfies the requirement XXX

   解决方法：直接选用pip源并且信任它的来源就可以解决这种问题

   pip install 库包 -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com 这里将pip源换成清华源、阿里源等都适用。-i https://pypi.tuna.tsinghua.edu.cn/simplepip install tensorflow_gpu-2.8.0-cp39-cp39-win_amd64.whl -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

   

   归纳1.pip install --ignore-installed --upgrade tensorflow-gpu2.下载tensorflow_gpu-2.8.0-cp39-cp39-win_amd64.whl文件3.pip install tensorflow_gpu-2.8.0-cp39-cp39-win_amd64.whl -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

   这样就可以安装成功了。

   输入命令：pip show tensorflow-gpu，可以查看tensorflow的版本信息
   

5. 退出环境：conda deactivate

3.测试tensorflow-gpu是否安装成功

1. 打开Anaconda，选择tensorflow环境，打开spyder，第一次打开需要安装Spyder，直接点下方的install即可。

2. 测试代码

   import tensorflow as tfa = 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())

   此时有个报错：

   Could not load dynamic library ‘cusolver64_11.dll‘； dlerror: cusolver64_11.dll not found

   解决办法：

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

   下载文件，把文件cusolver64_11.dll添加到创建的环境\Library\bin中

   程序正常运行，输出结果

   简单测试一下cpu和gpu运行速度的差别

   import tensorflow as tfimport 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_ccpu_time = timeit.timeit(cpu_run, number = 10)gpu_time = timeit.timeit(gpu_run, number = 10)print('cpu:',cpu_time, 'gpu:',gpu_time)

   

   运行速度差距很明显。

参考链接：

安装Anaconda/Python3.9/Tensorflow_Miska_Muska的博客-CSDN博客_anaconda安装tensorflow

Anaconda中安装并运行tensorflow_w_66666的博客-CSDN博客_anaconda如何安装tensorflow

Anaconda下conda，pip安装tensorflow-gpu_AnnnnnJie的博客-CSDN博客

anaconda安装tensorflow-gpu手把手教程_不用在意昵称的博客-CSDN博客_anaconda安装tensorflow gpu

Anaconda安装使用及tensorflow配置_坚强的敏敏子的博客-CSDN博客_anaconda tensorflow

Could not load dynamic library ‘cusolver64_11.dll‘； dlerror: cusolver64_11.dll not found_hungita的博客-CSDN博客_cusolver64_11.dll

来源地址：https://blog.csdn.net/weixin_58864560/article/details/124271279