Windows 10环境下TensorFlow(gpu版本)配置教程——[图解] [详细版][零基础]_win10 配置tensorflow-gpu环境

0、前言

我们需要安装的内容如下：

Windows10 操作系统
Pycharm ：python的开发编辑平台。
Python： 一种解释型脚本语言。
Anaconda：集Python3.7等编译器一体的包管理平台。
CUDA： NVIDIA显卡公司提供的一个并行计算的GPU加速库，该架构使GPU能够解决复杂的计算问题。
cuDNN：NVIDIA cuDNN是用于深度神经网络的GPU加速库。它可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow。
Tensorflow：TensorFlow™是一个基于数据流编程的符号数学系统，被广泛应用于各类机器学习算法的编程实现。安装Python版TensorFlow可以使用模块管理工具pip/pip3 或anaconda并在终端直接运行。
1
2
3
4
5
6
7

在安装以上内容之前，务必要弄清楚自己电脑的配置，从而下载相对应的python、CUDA、cuDNN以及Tensorflow版本，不然后期会出现莫名其妙的错误。（笔者在这里疯狂踩坑！）具体操作如下所示。

0.1 查看本机的CUDA驱动适配版本。

0.1.1 右键打开“NVIDIA控制面板”
1

0.1.2 如下图所示，打开“系统信息”。
1

0.1.3  如下图所示，即可看出本机支持CUDA 9.0及以下版本。
1

0.2 根据本机的CUDA驱动版本确定cuDNN版本。

点击cudnn进入官网，根据电脑系统选择合适的版本，从官网下载（首次下载需要注册NVIDIA账号）。

注册登录后出现如下界面，根据CUDA版本，确定cuDNN版本。

0.3 根据本机的CUDA、cuDNN版本确定python及TensorFlow版本。如下表所示：

笔者的电脑是CUDA 9.0 ，cuDNN7.6.5，因此我选择安装python3.6，TensorFlow1.9版本。

做好准备工作后，就可以开始安装了。

1、PyCharm的安装步骤：

1.1 根据电脑系统选择合适的版本。

Windows版本：Windows版本点此下载.

Mac版本：Mac版本点此下载.

Linux版本：Linux版本点此下载.

进入官网后，可以看到PyCharm共有两个版本（professional & community），一般来说，使用Community版本就够了，除非需要用 Python 进行 Django 等 Web 开发时才需要用到专业版。这里我下载的是专业版。

1.2 运行下载后的.exe文件。

1.3 运行后的界面如下图所示，然后点击“Next”

1.4 选择安装目录，由于Pycharm需要的内存较多，不建议放在系统盘C盘，这里我选择装到了G盘

1.5 点击“Next”，进入下面的界面。（以下选项根据需要选取，建议勾选①③）
①在桌面创建快捷方式。
②添加鼠标右键菜单，使用打开项目的方式打开文件夹。如果经常需要下载别人的代码查看，可以勾选此选项。
③将所有 py 文件关联到 pycharm，也就是你双击你电脑上的 py 文件，会默认使用 pycharm 打开。
④将 pycharm 的启动目录添加到环境变量（需要重启），如果需要使用命令行操作 pycharm，则勾选该选项。

1.6 勾选选项后点击“Next”，进入下面的界面。

1.7 点击“Install”，进入下面的界面。

1.8 等待一段时间后得到如下界面，点击“Finish”即可。

1.9 安装后即可在桌面上发现如下所示图标。

1.10 双击打开桌面上的软件，进入下面的界面。

1.11 确定是否选择数据共享，这里相当于一个调查问卷，看自己是否愿意将信息发送给JetBrains来帮助他们改进自身产品的质量。选择哪个选项均可。

1.12 接下来根据自身情况选择“激活”或者“破解”或者“试用30天”。激活方法可以自行百度（网上挺多的）。

2、Python的安装步骤：

2.1 下载Python，点击Python进入官网进行下载。如下图所示。

2.2 选择想要安装的版本，点击“Download”，可出现如下所示界面。这里我选择的是Python3.6.5。

2.3 运行下载后的软件

2.4 运行后的界面如下图所示

由于前期踩了坑，安装了python的高版本，这里是运行高版本时截的图，python-3.6.5安装步骤与下面一致。
1

2.5 选择自定义安装后的界面如下图所示，选项全部勾选后点击“Next”。

2.6 按下图操作后，点击“Install”即可。

2.7 点击“Close”即可。

2.8 在键盘上同时按下“Windows”+“R”，出现以下界面

2.9 输入cmd，点击“确定”。

2.10 在出现的界面中键入python ，注意p为小写。按下回车，若出现以下信息则说明安装成功。

3、AnaConda的安装步骤：

3.1 下载途径
①点击AnaConda进入官网，根据电脑系统选择合适的版本，从官网下载。下载时间可能较长，请耐心等待。若速度过慢，建议选择方法②。

②若第一种方法下载速度过慢，建议选择 清华大学开源软件镜像站进行下载。

3.2 运行下载后的软件

3.3 运行后的界面如下图所示

3.4 点击“Next”后的界面如下图所示

3.4 点击“I Agree”后的界面如下图所示

假如电脑上有好几个 Users ，才需要考虑这个问题。其实我们电脑一般就一个 User，就我们一个人使用，如果你的电脑有多个用户，选择All Users。不管是选择哪个，后续的安装流程都是相同的，所以不用在这里太过纠结，这里直接选择Just Me，然后继续点击 Next 。

3.5 点击“I Agree”后的界面如下图所示

如果怕后期麻烦就按默认装到C盘里，只不过会占用系统盘内存。（系统盘够到的话装在C盘是个不错的选择）。
若怕C盘爆满，也可选择装入其他盘。注意不能有中文路径！！！不能有空格！！！
3.6 两个选项全部勾选，然后点击“Install”。

3.7 等待一段时间后点击“Next”。

3.8 继续点击“Next”。

3.9 按下图操作即可。

3.10 在键盘上同时按下“Windows”+“R”，出现以下界面。

3.11 输入cmd，点击“确定”。

3.12 在出现的界面中键入conda info ，按下回车，若出现以下信息则说明安装成功。

4、CUDA的安装步骤：

4.1 点击 CUDA来下载安装包。

4.2 选择好相应的版本后点击“Download”。

4.3 打开下载后的程序。

4.4 打开后的界面如下，选择临时解压路径。

注意：
安装cuda时，第一次会让设置临时解压目录，第二次会让设置安装目录；

临时解压路径，建议默认即可，也可以自定义。安装结束后，临时解压文件夹会自动删除；

临时解压目录千万不要和cuda的安装路径设置成一样的，否则安装结束，会找不到安装目录的！！！

4.5 选择好路径后，点击“OK”，出现如下所示的界面。

4.6 耐心等待一段时间后，出现如下所示的界面，点击“同意并继续”。

4.7 按下图所示，点击“下一步”。

4.8 选择如下图所示的选项，点击“下一步”。

4.9 选择安装位置后，点击“下一步”。

4.10 耐心等待一段时间。

4.11 耐心等待一段时间后，出现如下所示的界面，点击“关闭”。

4.12 在键盘上同时按下“Windows”+“R”，出现以下界面。

4.13 输入cmd，点击“确定”。

4.14 在出现的界面中键入nvcc --version ，注意nvcc后面有空格。按下回车，若出现以下信息则说明安装成功。

5、cuDNN安装步骤：

5.1 下载途径

①点击cudnn进入官网，根据电脑系统选择合适的版本，从官网下载（首次下载需要注册NVIDIA账号）。下载时间可能较长，请耐心等待。若速度过慢，建议选择方法②。

②
点击 Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 9.0可下载与CUDA 9.0相对应的cuDNN版本。

点击 Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1可下载与CUDA 10.1相对应的cuDNN版本。

其他版本可自行百度。

5.2 解压下载好的压缩包，解压后的文件如下图所示。

5.3 打开CUDA的安装路径，如下图所示。

5.4 进行下图所示的操作即可。

6、Tensorflow—GPU配置步骤：

6.1 打开anaconda prompt，如下图所示。

6.2 打开后的界面如下图所示。

6.3 配置清华的镜像源，输入以下指令：

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes
1
2

如果清华的镜像下载太慢或失败的话，可以用下面的镜像重新下载，亲测很快：

https://mirrors.aliyun.com/pypi/simple/
https://pypi.douban.com/simple/
https://pypi.mirrors.ustc.edu.cn/simple/
1
2
3

如下图所示：

6.4 创建新环境python 3.6.5，输入以下指令：

conda create -n tensorflow-gpu python=3.6.5
1

这个指令就是在AnaConda安装目录中的envs目录下新建一个名字叫“tensorflow-gpu”，python版本为3.6.5的运行环境 ,如下图所示。

这里也是踩了坑，笔者最开始安装时cuda、cudnn、python、tensorflow版本不对应，安装了较高版本的python，造成了最后的各种错误，以下截图是以创建python 3.8.5为例截的图，读者应根据自己的python版本建立对应的环境。例如：python版本为3.6.5，则输入指令 conda create -n tensorflow-gpu python=3.6.5
1

6.5 输入指令并按下回车后，出现如下所示界面，键入 y

6.6 键入 y后，耐心等待一段时间，如下图所示。

6.7 等待一段时间后，出现如下图所示界面。

6.8 键入 conda activate tensorflow-gpu如下图所示。

6.9 先升级pip到最新版，防止稍后安装出现错误，输入指令python -m pip install --upgrade pip。

6.10 安装 TensorFlow ，键入pip3 install -i https://pypi.tuna.tsinghua.edu.cn/simple/ --upgrade tensorflow-gpu==1.9，这里的1.9是因为我的电脑适配的是1.9版本的TensorFlow，读者应根据自己电脑的配置，安装相应版本的TensorFlow。

注意：这里不要图省事直接键入conda install tensorflow-gpu，这样会直接安装最新版本的TensorFlow，很大可能会导致后期虽然成功安装了TensorFlow，但却无法进行GPU加速。

6.11 输入y，等待一段时间，如下图所示。

6.12 等待一段时间后出现下图所示界面，表明安装完成。

6.13 首先进入Python模式，键入以下代码，出现下图所示结果即表明tensorflow安装成功。

import tensorflow as tf
hello = tf.constant('hello,tensorflow')
sess= tf.Session()
print(sess.run(hello))
1
2
3
4

若安装的是Tensorflow 2.0，输入以上代码则会报错，这是由于一些1.0版本的函数被和2.0版本函数不兼容，所以Tensorflow 2.0需要输入以下代码：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()　
hello = tf.constant('hello,tensorflow')
sess= tf.compat.v1.Session()
print(sess.run(hello))
1
2
3
4
5

6.14 上述代码只是检测了tensorflow是否安装成功。如果想要检测tensorflow的确用gpu来做运算了，请用以下脚本测试。

import tensorflow as tf
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
print(sess.run(c))
1
2
3
4
5
6

若安装的是Tensorflow 2.0，输入以上代码则会出现AttributeError: module ‘tensorflow’ has no attribute 'ConfigProto’这个问题，这是由于一些1.0版本的函数被和2.0版本函数不兼容，所以需要将输入以下代码：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
a = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[2, 3], name='a')
b = tf.constant([1.0, 2.0, 3.0, 4.0, 5.0, 6.0], shape=[3, 2], name='b')
c = tf.matmul(a, b)
sess= tf.compat.v1.Session(config=tf.compat.v1.ConfigProto(log_device_placement=True))
print(sess.run(c))
1
2
3
4
5
6
7

运算结果如下图所示，输出语句中有device:GPU:0字样，说明GPU加速成功。

7、在PyCharm中使用Tensorflow

7.1 打开PyCharm。

7.2 打开PyCharm后，依次点击File->Settings，如下图所示。

7.3 按下图进行操作，点击设置后，点击add。

7.4 如下图所示，选中Conda Environment，Existing environment里面根据路径找到之前设置的tensorflow环境包中的Python.exe即可。

7.5 如下图所示。

7.6 把6.13中测试tensorflow是否安装成功的代码复制过来，测试一下。出现下图所示结果，说明tensorflow安装成功。

7.7 把6.14中检测tensorflow是否用gpu来做运算的代码复制过来，测试一下。出现下图所示结果，说明tensorflow用gpu来做运算。