目錄

基礎(chǔ)知識(shí)信息了解

顯卡算力

CUDA兼容

Tensorflow gpu安裝

CUDA/cuDNN匹配和下載

查看Conda driver的版本

下載CUDA工具包

查看對(duì)應(yīng)cuDNN版本

下載cuDNN加速庫

CUDA/cuDNN安裝

CUDA安裝方法

cuDNN加速庫安裝

配置CUDA/cuDNN環(huán)境變量

配置環(huán)境變量

核驗(yàn)是否安裝成功

Tensorflow-gpu安裝

命令安裝

報(bào)錯(cuò)處理

核驗(yàn)安裝結(jié)果

---

直通車：人工智能發(fā)展歷程和工具搭建學(xué)習(xí)-CSDN博客

????????通過之前的文章學(xué)習(xí)，我們已經(jīng)安裝好了Anaconda和Tensorflow2.4，但是在后期的學(xué)習(xí)中，會(huì)涉及到神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)等數(shù)據(jù)量較大的操作，普通的tensorflow-cpu版本處理速度較慢，所以我們?cè)侔惭b一個(gè)更加強(qiáng)大的tensorflow-gpu版本，它可以調(diào)用conda的接口實(shí)現(xiàn)gpu運(yùn)算的平臺(tái),利用顯卡幫助我們運(yùn)算程序，以提高后期學(xué)習(xí)中的程序處理速度,提高學(xué)習(xí)效率。

基礎(chǔ)知識(shí)信息了解

顯卡算力

????????在這個(gè)之前，我們首先要確保自己的電腦是英偉達(dá)顯卡，并且運(yùn)算能力在3.5以上,大家可以根據(jù)下面的網(wǎng)址查看自己電腦顯卡的運(yùn)算能力，然后還需要下載conda工具包和對(duì)應(yīng)的gpu加速庫cuDNN。

直通車：CUDA GPUs - Compute Capability | NVIDIA Developer

????????后期安裝CUDA通過deviceQuery.exe也可以看到當(dāng)前顯卡的算力。

CUDA兼容

????????這里CUDA12.1是支持的最高版本的CUDA，可以向下兼容，且可以安裝多個(gè)版本的CUDA,你可以通過更改環(huán)境變量來更改為你需要用到的CUDA版本。

Tensorflow gpu安裝

CUDA/cuDNN匹配和下載

查看Conda driver的版本

????????我們打開命令行窗口cmd，輸入nvidia-smi,這里顯示的是顯卡的版本信息，這里顯示的是conda driver的版本信息。

下載CUDA工具包

? ? ? ? 直通車：CUDA Toolkit Archive | NVIDIA Developer

????????我們?nèi)onda下載官網(wǎng)，下載CUDA工具包。根據(jù)剛剛我們查到的CUDA版本信息，此處我的CUDA版本為12.x，根據(jù)CUDA可以向下兼容的特性，我們可以對(duì)應(yīng)下載CUDA11.4的工具包。

????????在這個(gè)界面，由于我的電腦是Windows11 64位，所以我選擇的是這些選項(xiàng)，大家要根據(jù)自己的電腦系統(tǒng)類型選擇合適的版本進(jìn)行下載。

查看對(duì)應(yīng)cuDNN版本

下面查找對(duì)應(yīng)的cuDNN版本，可以在Tensorflows官網(wǎng)中查看tensorflow-gpu跟cuda?cudnn的版本對(duì)應(yīng)信息.

在 Windows 環(huán)境中從源代碼構(gòu)建 ?|? TensorFlow

下載cuDNN加速庫

????????接下來我們打開cuDNN下載地址：

直通車：https://developer.nvidia.com/rdp/cudnn-archive

????????由于我們CUDA是11的版本 對(duì)應(yīng)的是cuDNN8的版本，這些版本的對(duì)應(yīng)，小伙伴們一定要注意！現(xiàn)在我們打開cuDNN下載官網(wǎng)，在這里，根據(jù)剛剛查看到的cuda版本，選擇適當(dāng)?shù)腸uDNN版本，我剛下載的是CUDA11.4的版本，也就是CUDA11.x的版本，所以我選擇的是cuDNN8.x的版本，這里我下載版本為8.2.1，然后選擇windows x86的選項(xiàng)進(jìn)行下載。

? ? ? ? 注意：在這里點(diǎn)擊下載的時(shí)候會(huì)跳轉(zhuǎn)到注冊(cè)登錄頁面，由于在這里我已經(jīng)登錄，所以沒有跳轉(zhuǎn)，等待安裝包下載完成，我們就準(zhǔn)備好了Tensorflow-gpu所需要的工具包，這就是已經(jīng)下載好的工具包。

????????如果各位小伙伴在這里遇到問題無法解決，可以在評(píng)論區(qū)進(jìn)行求助。

CUDA/cuDNN安裝

CUDA安裝方法

????????接下來我們開始安裝CUDA，雙擊打開下載的安裝包，并等待進(jìn)度條加載完畢。

????????點(diǎn)擊同意并繼續(xù)選擇自定義，然后點(diǎn)擊下一步。在這個(gè)界面顯示的是將要安裝的組件名稱、版本號(hào)和電腦中該組件的版本號(hào)，當(dāng)前版本號(hào)為空，則說明電腦中沒有該組件。

????????我們取消NVIDIA GeForce Experience這一項(xiàng)，然后點(diǎn)擊下一步。這里的安裝路徑一般選擇默認(rèn)就好，也可以更改，但是文件目錄一定要記清楚，后面配置環(huán)境的時(shí)候會(huì)用到。

然后點(diǎn)擊下一步，點(diǎn)擊next，等待安裝完成。

然后點(diǎn)擊下一步，這里顯示的是已經(jīng)安裝的所有組件的狀態(tài)，然后點(diǎn)擊關(guān)閉。

cuDNN加速庫安裝

????????下面開始安裝Gpu加速庫cuDNN，將文件解壓，解壓完成以后，我們打開會(huì)得到如下三個(gè)目錄。

? ? ? ? 然后我們打開剛剛安裝好的CUDA的根目錄，然后把codnn里邊并目錄下的所有文件復(fù)制到CUDA的bin目錄如下。

????????將include里邊的所有文件復(fù)制到CUDA的include文件下，lib文件夾也是如此。這樣我們便完成了CUDA和cuDNN的安裝。

配置CUDA/cuDNN環(huán)境變量

配置環(huán)境變量

????????下面開始設(shè)置系統(tǒng)環(huán)境變量，右鍵點(diǎn)擊此電腦，選擇屬性打開高級(jí)系統(tǒng)，設(shè)置環(huán)境變量，在系統(tǒng)變量里面找到path，點(diǎn)擊編輯。我們可以看到CUDA的兩個(gè)文件已經(jīng)存在，點(diǎn)擊新建瀏覽，找到CUDA目錄。

將其上移，與其他兩個(gè)環(huán)境變量一起，這樣就完成了環(huán)境變量的設(shè)置。

核驗(yàn)是否安裝成功

????????可以通過nvcc -V命令查看是否配置CUDA成功

????????輸入nvidia-smi命令，返回GPU型號(hào)則安裝成功

? ? ? ? ?同時(shí)也可以通過在CUDA執(zhí)行bandwidthTest.exe和deviceQuery.exe和核驗(yàn)，返回PASS則表明GPU安裝成功

Tensorflow-gpu安裝

????????接下來我們開始安裝tensorflow-gpu，安裝過程可以參考上篇文章tensnflow2.4的安裝，這里我就不再詳述。不同之處，就是我們創(chuàng)建并激活另一個(gè)獨(dú)立環(huán)境tensorflow-gpu選擇適當(dāng)?shù)陌姹咎?hào)，小伙伴們可以根據(jù)自己的安裝環(huán)境選擇對(duì)應(yīng)的版本安裝，第二步是安裝相關(guān)軟件，在第三步的時(shí)候安裝tensorflow-gpu，命令為pip?install?tensorflow-gpu==對(duì)應(yīng)版本號(hào)安裝完成以后就完成了tensorflow-gpu的安裝。

直通車：人工智能發(fā)展歷程和工具搭建學(xué)習(xí)-CSDN博客

命令安裝

創(chuàng)建獨(dú)立環(huán)境并激活

conda create -n tensorflow-gpu python==3.8conda activate tensorflow-gpu

安裝相關(guān)軟件包

?
# conda install numpy matplotlib PIL scikit-learn pandas 于下行命令等價(jià)pip install numpy matplotlib Pillow scikit-learn pandas -i Simple Index

安裝Tensorflow-gpu

?
pip install tensorflow-gpu==2.6.0 -i Simple Index

報(bào)錯(cuò)處理

????????ERROR: pip's dependency resolver does not currently take into account all the packages that are installed. This behaviour is the source of the following dependency conflicts. matplotlib 3.7.5 requires numpy<2,>=1.20, but you have numpy 1.19.5 which is incompatible. pandas 2.0.3 requires numpy>=1.20.3; python_version < "3.10", but you have numpy 1.19.5 which is incompatible.

pip uninstall numpypip install numpy==1.19.5

????????TypeError: Descriptors cannot be created directly. If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0. If you cannot immediately regenerate your protos, some other possible workarounds are: 1. Downgrade the protobuf package to 3.20.x or lower. 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

pip uninstall protobuf pip install protobuf==3.20.0

校驗(yàn)安裝結(jié)果

????????最后我們測(cè)試一下是否安裝成功，打開命令行窗口，激活我們剛才創(chuàng)建的獨(dú)立環(huán)境。輸入python，打開python交互模式，輸入import tensorflow as tf，輸入我們的測(cè)試語句tf.test.is_gpu_available()，它的輸出結(jié)果為true，顯示我們安裝成功。

python

import tensorflow as tftf.test.is_gpu_available()exit()