【超全超详细】pytorch和TensorFlow（CPU和GPU版）以及CUDA与cuDNN安装教程_tensorflow-gpu 与 python、 cuda、cudnn

1. 前言

简单总结下我安装的环境及过程：

---

2. 安装pytorch教程

超详细的安装教程戳：PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】

3. 安装TensorFlow教程

具体我是参考 Win10下安装tensorflow详细过程 来安装的。

注意：教程中的清华镜像地址找不到了，教程后面也有提到这个问题。

测试安装成功与否的过程出现了如下的错误：

后来从windows环境下tensorflow安装过程详解得知测试代码有误。

通过pip list 可知，我安装的tensorflow版本是2.6.2，因此测试代码为：

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
sess =tf.compat.v1.Session()
a = tf.constant(10)
b = tf.constant(12)
sess.run(a+b)
22
1
2
3
4
5
6
7

具体原因可参考2.0版本tensorflow中session和eager_execution的bug

3. 升级TensorFlow为GPU版本

使用CPU跑代码还是太慢啦，看到有人说“使用pip来安装，pip安装后自带gpu支持，不需要额外安装gpu版本”以及“1.15以上的新版本的tensorflow，安装不再区分gpu还是cpu”。但我的tensorflow版本正好是1.15，因此我也不知道是否符合上述条件，但无论如何我都要安装GPU版本的。

3.1 检查是否可以直接使用GPU运行代码

（1）在虚拟环境下输入：

import tensorflow as tf
tf.test.is_gpu_available()
1
2

结果为FALSE，如下图所示：

（2）在Python文件下运行：

import tensorflow as tf
tf.test.is_gpu_available()
1
2

结果如下图所示：

3.2 检查是否需要安装CUDA和cuDNN

随后查看经验贴知，尽管我的电脑上有CUDA的版本信息，但是若查不到其版本信息，说明还是要下载CUDA和cuDNN，有可能电脑上自带的CUDA只是driver。

win+R打开cmd，输入nvidia-smi，即可看到支持的cuda版本是11.6

3.3 安装CUDA和cuDNN – 一定要先确定好版本

在这一步一定要想好自己想要安装的TensorFlow-GPU是什么版本的，随后再选择安装对应的CUDA和cuDNN的版本，一定要版本对应好！！！

版本对应查询地址：https://tensorflow.google.cn/install/source_windows?hl=en

随后的安装，找好自己对应的版本，再按照我接下来的教程一步步跟着走即可。

3.3.1 安装CUDA

CUDA下载链接：https://developer.nvidia.com/cuda-toolkit-archive

接下来下载CUDA，这里选择的版本不能高于你的显卡驱动里面那个版本号，由于我的是11.6，且系统是win10，所以我这里选择的是11.5。


下载后，接下来安装CUDA
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；
安装目录，建议默认即可；

注意：临时解压目录不要和cuda的安装路径设置一样，否则安装结束，会找不到安装目录！此处我将临时安装目录设置到非系统盘路径，但是注意要选择空文件夹，否则会报错。

在上图中，首次安装要全选，多次安装后只选第一个即可。
接下来的安装路径默认即可，否则后续会出现路径问题。

打开控制面板即可发现安装了一大堆配置和驱动文件

查看环境变量





需要在系统环境变量中有上述四个变量，这是自动生成的。

验证CUDA是否安装成功：win+R键运行cmd，输入nvcc --V

此时，CUDA安装已经成功，但是在完成张量加速运算时还需要cuDNN的辅助，因此下面安装cuDNN。

3.3.2 安装cuDNN

cuDNN下载链接：https://developer.nvidia.com/rdp/cudnn-archive

cuDNN地址如下，不过要注意的是，我们需要注册一个账号，才可以进入到下载界面。我下载的CUDA是11.5，因此cuDNN可以下载8.3.3的。


下载下来的是个压缩包，解压缩即可，

打开CUDA所在的目录C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5


将cuDNN下载的文件夹下的文件复制到CUDA的同名称文件中。

复制时看到，CUDA 的安装目录中，有和 cuDNN 解压缩后的同名文件夹，这里注意，不需要担心，直接复制即可。cuDNN 解压缩后的同名文件夹中的配置文件会添加到 CUDA安装目录中的同名文件夹中。【此处还是建议还是分别把文件夹的内容复制到对应文件夹中去】

随后在系统变量中加入这四个地址：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\libnvvp

验证cuDNN是否安装成功：win+R键运行cmd，输入

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5
cd .\extras\demo_suite
.\bandwidthTest.exe
.\deviceQuery

以上都安装好后，再测试一下，我电脑上安装的TensorFlow1.15版的可以直接使用GPU吗？

由上图可知，还是不行。

4. 安装TensorFlow的GPU版本

4.1 第一步：创建环境

环境名为tensorflow-gpu，python为3.6版本的

conda create -n tensorflow-gpu python=3.6
1

4.2 第二步：进入环境

进入环境的命令：conda activate tensorflow-gpu
退出环境命令为：conda deactivate

4.3 安装tensorflow-gpu==1.15.0

使用镜像（https://pypi.tuna.tsinghua.edu.cn/simple）安装更快

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.15.0
1

4.4 检验是否安装成功-不成功-因为版本不对应

import tensorflow as tf
tf.test.is_gpu_available()
1
2

还是FALSE，我觉得是版本不对应，一开始我以为是向下兼容的，所以选了个较新的CUDA版本

版本对应查看链接：https://tensorflow.google.cn/install/source_windows?hl=en

4.5 再安装CUDA和cuDNN

由于我要安装TensorFlow-GPU的1.15版本，查看对应CUDA10版和cuDNN7.4版，因此我又安装了这两个。

查阅资料可知：
windows多个不同版本的CUDA使用时不需要切换，只要环境变量PATH中有相应的CUDA路径即可，无需手动切换了。
tensorflow在运行的时候会自动在环境变量中寻找合适的CUDA版本，直到找到为止，如果没有，则会报错。

配好之后，再验证即为True。

此时C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA地址下有两个版本的CUDA。

5. Tensorflow GPU版的爬坑之旅

5.1 显卡内存限制问题

（1）报错

If you want to see a list of allocated tensors when OOM happens, add report_tensor_allocations_upon_oom to RunOptions for current allocation info.

（2）解决方法

上面的报错是由于GPU显存不够导致的，可以把batch_size、epoch减小或者使用CPU运行。
我并不想减少我的参数，于是我就从自己的笔记本转到课题组里的工作站上跑代码，然后就遇到了下面的问题。

还有其他教程写的解决方法如下：

config = tf.ConfigProto()  # tf.ConfigProto()主要的作用是配置tf.Session的运算方式，比如gpu运算或者cpu运算
config.gpu_options.per_process_gpu_memory_fraction = 0.5  # 程序最多只能占用指定gpu50%的显存
config.gpu_options.allow_growth = True  # 当使用GPU时候，Tensorflow运行自动慢慢达到最大GPU的内存
tf.Session(config=config)
1
2
3
4

我原本的代码中就有这些语句，所以这个方法对于我的代码没用。

5.2 显卡不适配问题

（1）报错

failed to run cuBLAS routine cublasSgemm_v2: CUBLAS_STATUS_EXECUTION_FAILED Blas GEMM launch failed

（2）解决方法

看到这位老哥的回答，太绝望了！！！的确30系显卡不支持cuda11以下版本！！！

没办法只能想其他方案，没办法只能使用TensorFlow2.0以上的版本了！

5.3 在TensorFlow2.* 的环境下使用1.* 的代码

将代码中含有的

import tensorflow as tf
1

都改为：

import tensorflow._api.v2.compat.v1 as tf
tf.disable_v2_behavior()
1
2

记得每个文件都要改一下哦~~~

6. 参考

PyTorch深度学习快速入门教程（绝对通俗易懂！）【小土堆】
windows环境下tensorflow安装过程详解
Win10下安装tensorflow详细过程
CPU和GPU的区别、工作原理、及如何tensorflow-GPU安装等操作
TensorFlow安装和下载（超详细）
2.0版本tensorflow中session和eager_execution的bug

CUDA与cuDNN安装教程（超详细）
Cuda和cuDNN安装教程(超级详细)

windows下同一个显卡配置多个CUDA工具包以及它们之间的切换

---