cuDNN： 深度神经网络库（CUDA Deep Neural Network library）主要作用是在CUDA平台上加速深度神经网络的训练和推理过程。
CUDA：是 NVIDIA 的并行计算平台和应用编程接口（API）。
CUDA Toolkit：是由 NVIDIA 提供的一套工具集合，它包含了编写、编译、调试和优化 CUDA 应用程序所需要的各种组件。简言之，目标环境中需要安装 CUDA Toolkit 。当提到 CUDA 版本时，通常是指 CUDA Toolkit 的具体版本号。所以 CUDA Toolkit 版本为11.2。

2.2 接下来查看本机显卡即驱动是否支持 cudatoolkit11.2

打开命令提示符 [win + r -> cmd -> 确定]。

vidia-smi命令用于查询 NVIDIA GPU 的状态和信息。

nvidia-smi

显示驱动版本为472.19，可安装 CUDA 的最高版本为11.4，满足目标环境要求。

综上共要安装：python3.7，cudatoolkit11.2，cudnn8.1，tensorflow2.7。

三、配置 Python3.7 环境

使用到的软件：Anaconda3 + PyCharm 2024.1.4（Professional Edition）

3.1 Anaconda 创建 Python3.7 环境

3.1.1 Anaconda Navigator 方式

Environments -> Create -> Packags选择3.7.x（x表示任意），名字任意即可。

3.1.2 Anaconda Prompt 方式

命令行 conda create -n 名称 python=版本号

具体步骤

（1）打开 Anaconda Prompt

（2）输入命令：

conda create -n TensorFlow2.7 python=3.7

（3）安装完成后，可按照提示 conda activate TensorFlow2.7 切换到 TensorFlow2.7 环境下输入命令行继续安装。本文使用 PyCharm 连接到新建的 TensorFlow2.7 环境后继续安装其他包。

3.2 Pycharm 使用 Anaconda 中 TensorFlow2.7 环境

之后点击确定，加载完毕后再点击确定。这样就可以在 Pycharm 中使用 TensorFlow2.7 环境。

四、配置 cudatoolkit11.2，cudnn8.1，tensorflow2.7 环境

4.1 在 Pycharm 中安装 cudatoolkit11.2 和 cudnn8.1

（1）打开本地终端

（2）下载 cudatoolkit11.2 和 cudnn8.1

先查找

 conda search cudatoolkit

但是没有对应版本

(TensorFlow2.7) PS D:\CSDN\TensorFlow2.7_workspace> conda search cudatoolkit
Loading channels: done
# Name Version Build Channel
cudatoolkit 8.0 4 pkgs/main
cudatoolkit 9.0 1 pkgs/main
cudatoolkit 9.2 0 pkgs/main
cudatoolkit 10.0.130 0 pkgs/main
cudatoolkit 10.1.168 0 pkgs/main
cudatoolkit 10.1.243 h74a9793_0 pkgs/main
cudatoolkit 10.2.89 h74a9793_0 pkgs/main
cudatoolkit 10.2.89 h74a9793_1 pkgs/main
cudatoolkit 11.0.221 h74a9793_0 pkgs/main
cudatoolkit 11.3.1 h59b6b97_2 pkgs/main
cudatoolkit 11.8.0 hd77b12b_0 pkgs/main

所以用

conda search cudatoolkit -c conda-forge

查询到

cudatoolkit 11.2.0 h608a323_7 conda-forge
cudatoolkit 11.2.0 h608a323_8 conda-forge
cudatoolkit 11.2.1 h7a7aa70_8 conda-forge
cudatoolkit 11.2.2 h7d7167e_10 conda-forge
cudatoolkit 11.2.2 h7d7167e_11 conda-forge
cudatoolkit 11.2.2 h7d7167e_12 conda-forge
cudatoolkit 11.2.2 h7d7167e_13 conda-forge
cudatoolkit 11.2.2 h933977f_10 conda-forge
cudatoolkit 11.2.2 h933977f_8 conda-forge
cudatoolkit 11.2.2 h933977f_9 conda-forge

这句命令行是在 conda-forge 通道（channel）中搜索可用的 cudatoolkit 包。（conda 默认的 channel 是defaults，但这个channel包不全。）

接下来同样用 conda-forge channel 下载 cudatoolkit 11.2.0 。

conda install cudatoolkit==11.2.0 -c conda-forge

输入y（同意安装），等待一段时间后，显示done说明安装成功。

按照同样方法下载 cudnn8.1，命令行为：


conda search cudnn -c conda-forge 
conda install cudnn==8.1.0.77 -c conda-forge

之后可以检查下是否安装成功，即

conda list

显示如下，说明安装成功。

cudatoolkit 11.2.0 h608a323_8 conda-forge
cudnn 8.1.0.77 h3e0f4f4_0 conda-forge

（3）安装 tensorflow2.7

发现，conda search 不到 tensorflow2.7


conda search tensorflow-gpu   
conda search tensorflow-gpu -c conda-forge

于是使用 Python 的包管理工具 pip。

pip index versions tensorflow-gpu

得到

Available versions: 2.12.0, 2.10.1, 2.10.0, 2.9.3, 2.9.2, 2.9.1, 2.9.0, 2.8.4, 2.8.3, 2.8.2, 2.8.1, 2.8.0, 2.7.4, 2.7.3, 2.7.2, 2.7.1, 2.7.0, 2.6.5, 2.6.4, 2.6.3, 2.6.2, 2.6.1, 2.6
.0, 2.5.3, 2.5.2, 2.5.1, 2.5.0, 2.4.4, 2.4.3, 2.4.2, 2.4.1, 2.4.0, 2.3.4, 2.3.3, 2.3.2, 2.3.1, 2.3.0, 2.2.3, 2.2.2, 2.2.1, 2.2.0, 2.1.4, 2.1.3, 2.1.2, 2.1.1, 2.1.0, 2.0.4, 2.0.3, 2.0.2, 2.0.1, 2.0.0, 1.15.5, 1.15.4, 1.15.3, 1.15.2, 1.15.0, 1.14.0, 1.13.2, 1.13.1

所以，直接下载 2.7.0 即可。

pip install tensorflow-gpu==2.7.0

等待下载完毕后，完成目标环境的配置。

五、测试环境安装

让GPT生成个简单的测试程序


import tensorflow as tf
 
# 打印TensorFlow版本
print("TensorFlow version:", tf.__version__)
 
# 列出所有物理设备
physical_devices = tf.config.list_physical_devices()
 
# 打印所有物理设备
for device in physical_devices:
    print(device)
 
# 检查是否有GPU设备
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    print("GPUs Found:")
    for gpu in gpus:
        print(gpu)
else:
    print("No GPUs found.")
 
# 创建两个张量
a = tf.constant(2.)
b = tf.constant(4.)
 
# 在默认设备上执行乘法操作
result = a * b
print(result)

运行结果

TensorFlow version: 2.7.0
PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')
GPUs Found:
PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')

2024-07-23 21:21:33.269228: I tensorflow/core/platform/cpu_feature_guard.cc:151] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations: AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2024-07-23 21:21:33.793438: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1525] Created device /job:localhost/replica:0/task:0/device:GPU:0 with 1321 MB memory: -> device: 0, name: NVIDIA GeForce MX350, pci bus id: 0000:01:00.0, compute capability: 6.1

tf.Tensor(8.0, shape=(), dtype=float32)

红字部分表示成功检测并初始化了 NVIDIA GeForce MX350 GPU 作为计算设备。

再测试个能用到 GPU 的程序。构建和训练一个卷积神经网络（CNN）以识别 CIFAR-10 数据集的图像。


import tensorflow as tf
from tensorflow.keras import datasets, layers, models
 
# Check GPU availability
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
 
# Load and prepare the CIFAR10 dataset
(train_images, train_labels), (test_images, test_labels) = datasets.cifar10.load_data()
 
# Normalize pixel values to be between 0 and 1
train_images, test_images = train_images / 255.0, test_images / 255.0
 
# Build the CNN model
model = models.Sequential()
model.add(layers.Conv2D(32, (3, 3), activation='relu', input_shape=(32, 32, 3)))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
model.add(layers.MaxPooling2D((2, 2)))
model.add(layers.Conv2D(64, (3, 3), activation='relu'))
 
model.add(layers.Flatten())
model.add(layers.Dense(64, activation='relu'))
model.add(layers.Dense(10))
 
# Compile and train the model
model.compile(optimizer='adam',
              loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True),
              metrics=['accuracy'])
 
history = model.fit(train_images, train_labels, epochs=10,
                    validation_data=(test_images, test_labels))
 
# Evaluate the model
test_loss, test_acc = model.evaluate(test_images,  test_labels, verbose=2)
print('\nTest accuracy:', test_acc)

运行时，查看任务管理器，发现用到了 GPU 的一些内存。所以到此为止，目标环境安装成功。

六、常见问题

6.1 未找到：TensorFlow 2.6以上的版本对应表。

将网站右上角语言改为 English 即可，可能中文网页还没更新。

七、注

7.1 包管理工具冲突

本文共可能涉及到 pip、conda默认通道、conda-forge通道，下载各种包，有概率导致不同方式下载的包不完全兼容。这个暂时没遇到，不会解决，或许可以尝试卸载之后重新换下载方式。

可以参考替换 conda install cudatoolkit 的 pip 备选方案和设置优先使用conda-forge 这些文章。

也可以看看知乎的讨论——为什么有些人宁愿花费很多时间去自己手工配置Python环境, 也不用Anaconda?。

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/空白诗007/article/detail/978293

Anaconda + Pycharm 创建 Python 3.7 + TensorFlow 2.7 环境

一、目标：创建一个 Python 3.7 + TensorFlow 2.7 的环境

二、确定安装版本

2.1 首先查看目标的 Python 版本和 TensorFlow 版本是否匹配

2.2 接下来查看本机显卡即驱动是否 支持 cudatoolkit11.2