tensorflow 安装GPU版本，CUDA与cuDNN版本对应关系，RTX3050Ti （notebook）_cuda12.0对应的cudnn

前言

安装Tensorflow-gpu 与 keras的时候，一定先要注意版本的对应，不然很容易出错，在看的时候，建议先看完整篇文章再上手。

一、环境+配置

本机环境

显卡：RTX3050Ti（notebook）

Windows10专业版

NVIDIA 511.65

网上查到的可行版本

（跟本人所使用的有所偏差）

python3.7.0+CUDA11.6.0+cuDNN8.3.2+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA11.3.1+cuDNN8.2.1+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA10.1.2+cuDNN7.6.5+tensorflow2.2.0+keras 2.3.1
1
2
3

本人所安装CUDA、CUDNN、tensorflow-gpu、keras 版本

cuda_11.6.1_511.6

cudnn_8.3.2.44

tensorflow-gpu 2.7.0

keras 2.7.0

即最终本人所用环境为

python3.8.12 + CUDA 11.6.1 + cuDNN 8.3.2 + tensorflow 2.7.0 + Keras 2.7.0
1

tensorflow与CUDA、cuDNN关系查询

https://tensorflow.google.cn/install/source_windows?hl=en#gpu

CUDA版本选择

NVIDIA 与CUDA的版本对应关系

参照表格选择

首先，在桌面【右键】-打开【NVIDIA 控制面板】-选择【帮助】-【系统信息】，再打开的系统信息中选择【组件】，即可看到本机GPU对应支持的CUDA版本：

组件3D设置重点NVCUDA64.DDL 后面的产品名称

或者可以在终端输入命令nvidia-smi查看GPU驱动版本

CUDNN版本选择

CUDA与CUDNN的版本对应关系

根据CUDA的版本进行安装，下载压缩包版本

二、安装教程

2.1 CUDA安装

双击cuda_11.6.1_511.65_windows.exe，进入安装程序：

这里是临时选择临时提取的文件夹，不用管直接ok：

提取完毕，程序会检查兼容性：

选择【同意并继续】，选择【自定义】安装：

在CUDA中取消勾选Visual Studio Integration，这是VS的插件，容易导致安装失败，我因为用pycharm所以就不勾选了

后面还有三个选项。NVIDIA GeForce Experience 是显卡驱动程序，如果你已经更新了显卡驱动版本，就不用选了，因为每个CUDA版本里面都含显卡驱动程序，如果你每次都选相当于每次更新显卡驱动版本。Other components 是声卡等设备驱动程序，我电脑有装了，不用选，最后一个也是。（大家可自己根据自身情况）

然后选择安装路径，点击安装，本地版的很快，在线版的需要联网下载安装，慢些。

等待安装完毕，可以检查是否安装成功，在终端键入命令nvcc -V，查看CUDA版本，能显示则成功了。

2.2 CUDNN安装

cuDNN下载好后解压，把里面的三个文件夹的内容分别移到CUDA安装目录里对应的同名文件夹里面。其中include和bin文件夹可以直接移动，lib文件夹内容要移动到lib\x64目录下

然后复制到CUDA的安装路径即可，我的是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6（注意！不是覆盖，是添加进去对应的文件夹里面去）

lib 是存在 lib/x64 里面

最后，配置下系统环境即可：
右键【此电脑】又名计算机—【属性】—【高级系统设置】-【环境变量】-下半部分【系统变量】里找到【Path】，双击打开（或者点编辑）

补全如下环境变量，如果你之前安装成功了CUDA，2、3条环境是系统已经自动添加了的。

2.3 TensorFlow-gpu 2.7安装

2.3.1 conda创建虚拟环境

• 查看环境

conda info --env
1

• 创建环境（例子为创建一个叫做tf27，python版本3.8的环境）

conda create -n tf27 python=3.8
1

2、删除环境（例子为删除名为tf27的环境）

conda remove -n tf27 --all
1

3、激活环境（例子为激活名为py36的环境）

activate tf27
1

4、退出环境

deactivate
1

5、从清华镜像源下载（例子为下载numpy）会显著提升下载速度

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
1

6、pip/anaconda直接修改镜像源，不用每次在后面加链接（Windows）

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

后面直接安装即可

pip install tensorflow-gpu==2.7.0
1

其次，进入pycharm，创建.py文件进行测试：

import tensorflow as tf
print(tf.__version__)
print('GPU', tf.test.is_gpu_available())
1
2
3

![在这里插入图片描述](https://img-blog.csdnimg.cn/554ef028f3fc4f57b8d50118312ff8e6.png#pic_center

输出版本号，和True

安装成功！

三、名词解释

TensorFlow：一个开源软件库，用于各种感知和语言理解任务的机器学习。

Keras：一个用Python编写的开源神经网络库，能够在TensorFlow、Microsoft Cognitive Toolkit、Theano或PlaidML之上运行。Keras旨在快速实现深度神经网络，专注于用户友好、模块化和可扩展性。

CUDA：统一计算架构。专为GPU同时处理多重任务而设计，大规模的并行计算处理，十分适合对图形处理、语音识别、视频等领域进行分析渲染。

cuDNN：深度神经网络库，针对CUDA优化，实现高性能GPU加速。

附录

网上查到的可行版本

python3.7.0+CUDA11.6.0+cuDNN8.3.2+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA11.3.1+cuDNN8.2.1+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA10.1.2+cuDNN7.6.5+tensorflow2.2.0+keras 2.3.1
1
2
3

1. 显卡算力和显卡驱动版本

显卡算力决定你的CUDA版本区间：
NIVDIA显卡算力官方查询

2.显卡驱动版本更新

显卡驱动版本，在NVIDIA控制面板的系统信息可查询到，建议更新到最新版本，这样就不会因驱动版本而下载CUDA版本受限。
NVIDIA官方显卡驱动更新

更新显卡驱动程序，建议在选项 Download Type 选 Studio Driver（SD），因为对深度学习有利。

NVIDIA官方 CUDA与显卡驱动版本对应表查询

​

3.tensorflow对应的CUDA、cuDNN和python版本

官方查询 tensorflow-gpu与CUDA cuDNN Python版本关系

​

参考

https://blog.csdn.net/typefree/article/details/117998734

https://blog.csdn.net/jiuzixu/article/details/122518914