tensorflow使用gpu加速

目录

安装Anoconda

创建虚拟环境

配置tensorflow环境

验证结果

解决报错

安装Anoconda

本文使用Anoconda来建立虚拟环境和配置tendorflow，anoconda相当于是python环境的管理工具，通过创建新的虚拟环境来解决部分库不兼容的问题，可通过网站https://www.anaconda.com/来下载。注意占用空间会比较大，我这里创建了pytorch和tensorflow的虚拟环境占用了超过40G的空间。温馨提示，Amd显卡的用户就不用往下面看了。

安装完成之后，打开Anaconda Prompt软件。windows系统用户按win键在开始菜单找到anoconda3文件，里面就有Anaconda Prompt（anoconda3）软件。

创建虚拟环境

打开Anaconda Prompt（anoconda3）进入base环境，这里我们需要创建新的虚拟环境来安装tensorflow。可输入如下的代码实现：

conda create -n tensorflow python=3.9

这里需要注意的是，tensorflow是我自定义的环境名，可定义为你喜欢的不带空格和中文的其它名字，python版本要安装tensorflow对应的，可参考下面的网址来确定，这里我以python3.9为例

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

 创建环境后，使用命令激活进入新环境

conda activate tensorflow

配置tensorflow环境

这里需要注意的是，tensorflow库在2.12及以上的版本中，都取消了对Windows平台的GPU支持（tensorflow-gpu · PyPI），但是本文使用的2.6.0版本的tensorflow库依旧可以使用gpu加速。

conda install --user "tensorflow==2.6.0"

如果安装速度过慢或者安装失败可以使用下面的代码(使用清华源镜像)：

python -m pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.6.0

接着，输入下面的代码查看GPU的情况

nvidia-smi

出现类似的信息说明驱动（NVIDIA Driver）没问题，否则需要到Official Drivers | NVIDIA，根据你显卡的版本来下载。

 随后，我们需要配置CUDA与cuDNN，其中CUDA是NVIDIA为其生产的GPU所研发的一种并行计算架构，而cuDNN则是专门为深度神经网络运行而提供的一个加速库。笔者根据网上教程手动到NVIDIA官方网站上下载安装最新的12代CUDA和cuDNN，但依然无法实现tensorflow的gpu加速，猜测原因可能是新版本不向下兼容。所以，这里需要根据我们前面的python版本确定对应的CUDA和cuDNN，这里我们使用了python3.9，所以确定对应的CUDA为11.2、cuDNN为8.1。

然后可以直接输入下面的代码来实现CUDA和cuDNN的下载与配置，运行代码后停止不动直接无脑多按几下回车就行。

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1

验证结果

安装完成后，我们需要通过python代码来验证是否成功，这里在命令行输入python进入python自带的编译器：

python

接着输入以下的代码来验证：

import tensorflow as tf
tf.test.is_gpu_available() 

看到如下图的返回True就成功了

解决报错

如果在运行keras库后代码出现“ImportError: cannot import name ‘dtensor‘ from ‘tensorflow.compat.v2.experimental“的报错提示，可能是tensorflow和keras版本不匹配导致的。

使用下面的代码查看keras的版本

pip show keras

安装完之后发现keras版本为2.12.0，而上面安装的tensorflow版本为2.6.0，所以需要把keras调整为2.6来确保版本兼容。下面的代码任选一个来运行

pip install keras==2.6

conda install keras==2.6