weixin_40725706

这个屌丝很懒，什么也没留下！

热门标签

Win环境下配置tensorflow GPU环境_build from source on windows | tensorflow (google.

作者：weixin_40725706 | 2024-03-01 05:32:34

踩

build from source on windows | tensorflow (google.cn)

写在最前面的话：在anaconda的虚拟环境中安装对应版本的cudatoolkit和cudnn一样可以正常跑深度学习，我觉得这是最简单的方法了，比后面在系统中独立安装CUDA和cuDNN省事的多多多多，下面来看具体的步骤（需要提前安装好Anaconda工具）：

0.查看tensorflow所需的CUDA、cuDNN环境：

直接上链接：Build from source | TensorFlow (google.cn)，比如我想安装配置tensorflow-2.2.0的GPU环境（一般要跑的开源项目中会告诉你需要使用到tensorflow版本是多少），那么我就要配置CUDA版本为10.1，cuDNN版本为7.6，这个前提是你的nvidia驱动版本要支持10.1，可以直接查看2.1章节中介绍驱动中支持的最高CUDA版本。

然后下面的步骤就是配置这几个环境。

1.创建anaconda虚拟环境(上图中也有介绍python版本在3.5-3.8之间，一般安装3.7，稳定)：

conda create -n my_tf_2.2.0 python=3.7

2.激活my_tf_2.2.0虚拟环境：

conda activate my_tf_2.2.0

3.安装cudatoolkit:

conda install cudatoolkit=10.1

4.安装cudnn:

conda install cudnn=7.6

5.安装tensorflow:

pip install tensorflow-gpu==2.2.0

6.测试一下gpu是否可用，最后打印为True,则环境配置好了：

import tensorflow as tf

tf.test.is_gpu_availabel()

7.其他：

我在import tensorflow的时候报了个错：

可以参考该博客，降低版本就行：(40条消息) TypeError: Descriptors cannot not be created directly._做一颗贝极星的博客-CSDN博客https://blog.csdn.net/m0_63474848/article/details/125025303#:~:text=If%20you%20cannot%20immediately%20regenerate%20your%20protos%2C%20some,use%20pure-Python%20parsing%20and%20will%20be%20much%20slower%29.

1.安装Anaconda

2.CUDA

2.1确定本显卡驱动支持的最高CUDA版本

整体思路：首先要确定安装的tensorflow-gpu版本，然后再对应CUDA、cuDNN版本。最后进行配置：其顺序为CUDA-cuDNN-tensorflow-gpu。

1.安装Anaconda

Anaconda是对不同项目的环境进行管理的工具，最好使得一个项目对应一个anaconda环境，这样就能够有效避免不同项目之间的环境交错混乱。

官网下载-安装即可。

安装好annaconda后要进行换源，可以在文件路径下C:\Users\ice\.condarc直接添加,（如果找不到尝试输入以下命令：conda config --set show_channel_urls yes），也可以通过命令如conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main添加到上面的.condarc文件中。

这是添加后的conda的源，一般这几个够用了（这还有安装pytorch的源）。


channels:
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/peterjc123/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
  - https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
  - defaults
show_channel_urls: true

同样可以配置一下pip命令的源，由图可以知道，换成国内源后，将在C:\Users\ice\AppData\Roaming下创建pip文件夹（ice为用户名），并在其文件夹下创建pip.ini文件，用来保存源地址。


pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip config set global.index-url https://pypi.douban.com/simple/

2.CUDA

2.1确定本显卡驱动支持的最高CUDA版本

dos命令框下（快捷键win+r）输入nvidia-smi,查看本机设备（Nvidia显卡驱动）支持的最高CUDA版本为11.4。

这里简单概括一下nvidia驱动、CUDA和cudnn的关系：首先CUDA是Nvidia推出的只能用于自家GPU的并行计算框架。其次只有安装CUDA这个框架才能够进行复杂的并行计算，并且主流的深度学习框架也都是基于CUDA进行GPU并行加速的。最后cuDNN是针对深度卷积神经网络的加速库。参考自知乎回答。

2.2安装CUDA

网址：CUDA Toolkit Archive | NVIDIA Developer

我选择的是CUDA10.1版本（低于最高可支持的11.4版本，应该是可以支持跑得通的）。在上面网址下载后直接安装，在自定义-高级安装处，取消勾选visual studio，勾选了的话似乎会报错。

安装完成后，通过ncvv -V查看是否安装成功。

3.cuDNN

3.1查看对应cuDNN版本

可以通过链接1来确定cuDNN，CUDA10.1对应着cuDNN7.6，tensorflow2.1.0-2.3.0各版本，如下图所示。

通过链接2可以看到，cuDNN8.0也支持CUDA10.1，这是在系统层面的cuDNN和CUDA可以适配。如果加上tensorflow的版本就只能依据上图所示的版本进行对应，为求保证tensorflow-gpu环境配置，将按照上图进行环境配置，即：tensorflow2.1.0-CUDA10.1-cuDNN7.6.5。