Windows下安装tensorflow并配置GPU支持_tensorflow windows gpu 支持

重要提醒

TensorFlow在Windows上的GPU设置仅支持2.10或更早的版本，2.10以后的TensorFlow版本不再支持在Windows系统上配置GPU（CPU版本不受影响）。如果需要在Windows系统上为2.10版本之后的TensorFlow配置GPU支持，则只能在WSL2 模式中进行配置。

博主写文时TensorFlow最新版本为2.16，python最新版本为3.12，由于一开始不知道上述问题，安装了2.16版本的TensorFlow之后无论如何设置都无法成功配置GPU支持，直到在TensorFlow的官网（Build from source on Windows  |  TensorFlow (google.cn)）看到了下面这张图。。。

图1

根据上面这张图的说明，我最终决定安装3.10版本的python以及2.10版本的TensorFlow。

一、NVIDIA GPU相关配置

1、安装GPU驱动程序

一般带NVIDIA显卡的电脑上已经默认安装了驱动程序，可以在cmd界面用nvidia-smi命令查看或者在英伟达控制面板查看：

图2

图3

出现上图界面则表示GPU驱动程序已经安装，不过需要注意的是由于TensorFlow支持的CUDA版本一般在11.x以上，而CUDA 11.x要求 GPU驱动程序为450.80.02 或更高的版本，因此如果不满足条件需要先升级GPU驱动程序的版本。

如果未安装GPU驱动程序，则需要先进入NVIDIA官网下载对应版本显卡的GPU驱动：Official Drivers | NVIDIA。另外也可以使用NVIDIA官方的NVIDIA Geforce Experience软件进行显卡驱动程序的管理和升级等操作。

图4

2、安装Microsoft Visual C++相关工具组件

由于安装CUDA需要Microsoft Visual C++相关组件的支持，因此需要首先安装这些组件，主要包括安装“Visual C++可再发行组件包和Visual C++生成工具”。根据图1中的说明，我们需要安装2019版本的Visual C++组件（MSVC 2019），这些工具随附在Visual Studio 2019软件中，因此可以通过安装Visual Studio 2019来完成这些组件的安装。由于博主写文时Visual Studio 2019已经过时，因此我安装了更高版本的Visual Studio 2022（下载 Visual Studio Tools - 免费安装 Windows、Mac、Linux (microsoft.com)），在Visual Studio 2022中也附带了更早版本的相关组件，可以在安装界面进行单独选择，如下图右半部分（单个组件）。为了保险起见，博主将2017、2019和2022版本的“Visual C++可再发行组件包和生成工具”全部进行了安装。

图5

在“单个组件”中一共选择了5个项目，其中前两个表示2022版本的Visual C++可再发行组件包和更新包，后面三个分别表示2017、2019和2022版本的Visual C++生成工具。另外，2017和2019版本的Visual C++可再发行组件包不在此处，需要单独安装，可以在visual studio官网的旧版下载处（Visual Studio 旧版下载 - 2019、2017、2015 (microsoft.com)）进行下载，文件名分别为Visual C++ Redistributable for Visual Studio 2017和Visual C++ Redistributable for Visual Studio 2019，下载完成后安装即可。需要说明的是，很多电脑上一般都安装了多个不同版本的Visual C++可再发行组件包，这种时候可以不需要再去单独下载安装了 ，如下图所示。

图6

3、安装CUDA 工具包

根据图1的说明，我们需要下载11.2版本的CUDA Toolkit，在CUDA工具包的官网（CUDA Toolkit Archive | NVIDIA Developer）选择对应的版本和平台进行下载即可。

图7

安装CUDA是选择自定义：

图8

取消勾选visual studio integration，其他可以默认，然后就可以下一步选择安装位置进行安装了：

图9

安装完成：

图10

可以使用nvcc -V命令测试CUDA工具包是否安装成功：

图11

出现上述界面即安装成功。

4、安装cuDNN

根据图1，我们需要安装8.1版本的cuDNN，在cuDNN下载网址（cuDNN Archive | NVIDIA Developer）选择与CUDA11.2对应的cuDNN8.1版本下载即可。解压后有3个文件夹：

图12

在CUDA 工具包的安装目录中也有这3个同名的文件夹，只需要将cuDNN解压后每个文件夹中的内容复制到CUDA 工具包安装目录的同名文件夹中即可。

5、配置环境变量

需要配置以下几个与CUDA相关的环境变量：

• D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
• D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp
• D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib
• D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include
• D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\CUPTI\lib64

其中  D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2  为博主的CUDA安装目录。

二、python及TensorFlow安装

1、安装python

根据图1，我们需要安装3.10版本的python，博主使用miniconda创建python 3.10的虚拟环境，命令如下，其中py310-tf为虚拟环境的名称：

conda create -n py310-tf python=3.10

使用如下命令激活py310-tf虚拟环境：

conda activate py310-tf

2、更换pip为国内源（可选）

为了加快pip下载python包的速度，可以将pip的默认源更换为国内。在电脑的用户目录（博主的电脑为 C:\Users\Administrator）创建名为pip的文件夹，在pip文件夹中创建一个文本文件并命名为pip.ini，在pip.ini文件中写入如下内容保存即可，表示pip使用清华源下载python软件包（也可以使用其他的pip国内源）：

[global]
index-url = https://pypi.tuna.tsinghua.edu.cn/simple

[install]
trusted-host = https://pypi.tuna.tsinghua.edu.cn

3、安装TensorFlow

首先进入py310-tf虚拟环境。

然后最好使用以下命令更新pip到最新版本：

python -m pip install --upgrade pip

安装TensorFlow 2.10版本：

pip install tensorflow==2.10.0

安装完成后可以使用如下方式测试TensorFlow是否能使用GPU：

在cmd进入python命令行模式后引入tensorflow：import tensorflow as tf

然后输入代码：gpus = tf.config.list_physical_devices("GPU")

gpus表示保存了GPU设备基本信息的数组，如果数组为空则表示GPU配置不成功，出现如下界面表示TensorFlow的GPU设置成功：

图13

至此，在Windows下配置TensorFlow2版本的GPU支持大功告成！