安装tensorflow的GPU版本（详细图文教程）--CUDA11.6的安装

Posted 2022-12-14 Aaron-ywl

文章目录

• TensorFlow简介
• • TensorFlow是什么
  • tensorflow版本变迁
  • tensorflow 2.0 架构
• 安装过程
• • 常用IDE安装
  • • python3.9的安装
    • Anaconda的安装
  • CUDA安装
  • • cuda软件安装
    • cuDNN神经网络加速库安装
    • 配置环境变量
  • TensorFlow的gpu版本安装

TensorFlow简介

TensorFlow是什么

• TensorFlow是深度学习领域使用最为广泛的一个Google的开源软件库（最初由Google brain team进行开发的内部库，由于它的易用性Google决定把它开源出来）.

• 采取数据流图，用于数值计算.

  节点——处理数据

  线——节点间的输入输出关系

  数据流图中的数据叫做tensor, 表示张量, 即N维数据, tensor在数据流图中流动表示计算的过程, 这也是tensorflow名字的由来.

  

• 支持多种平台，GPU、CPU、移动设备

• tensorflow特性:

  • 高度的灵活性: 只要能把数据的计算表示成数据流图就可以使用tensorflow
  • 真正的可移植性: 比如CPU、GPU、移动设备等等
  • 产品和科研结合
    • tensorflow研究最初是用于科研的，其实科研和工程还有一定的距离，科研的代码需要进一步各种各样的优化才能真正的做到产品上去，但是对于tensorflow则没有这个问题，Google团队把tensorflow优化的已经比较好了，做研究的代码可以无缝的用到产品上
  • 自动求微分
  • 多语言支持
    • tensorflow除了python以外，还支持各种各样的语言，比如说c++、java、javascript、R语言等
  • 性能最优化
    • 在tensorflow刚刚出来的时候由于它运行的比较慢，很多深度学习库呢都会拿tensorflow来进行比较，然后来证明自己比tensorflow好多少倍，但是随着tensorflow一步一步的进行开发，这种情况一去不复返了，tensorflow现在应该是运行最快的一个库，对于分布式的tensorflow来说，它的加速比几乎是线性的

tensorflow版本变迁

tensorflow 2.0 架构

• tensorflow2.0主要特性:
  • 使用tf.keras和eager mode（动态图模式）进行更简单的模型构建.
    • 使用tf.data加载数据
    • 使用tf.keras构建模型，也可使用premade estimator来验证模型
      • 使用tensorflow hub进行迁移学习
    • 使用eager mode运行和调试
    • 使用分发策略来进行分布式训练
    • 导出到SavedMode
    • 使用TensorFlow Serve、Tensorflow Lite、Tensorflow.js部署模型
  • 鲁棒的跨平台模型部署
    • TensorFlow服务
      • 直接通过HTTP/RESR或GRPC/协议缓冲区
    • TensorFlow Lite——可部署到android、ios和嵌入式系统上
    • TensorFlow.js——在JavaScript中部署
    • 其他语言
      • C、Java、Go、C#、Rust、Julia、R等
  • 强大的研究试验
    • Keras功能API和子类API、允许创建复杂的拓扑结构
    • 自定义训练逻辑、使用tf.GraddientTape和tf.custom_gradient进行更细粒度的控制
    • 底层API自始至终可以与高层结合使用、完全的可定制
    • 高级扩展：Ragged Tensor、Tensor2Tensor等
  • 清除不推荐使用的API和减少重复来简化API

安装过程

常用IDE安装

python3.9的安装

在官网可以下载python3.9并安装好。这里我就不介绍了，想详细了解的可以看看我的这篇文档哦：机器学习常用的环境和工具安装和使用介绍

Anaconda的安装

这里我也不重点介绍了，我之前也重点详细地写过相关文章↓
还是搞不懂Anaconda是什么?读这一篇文章就够了
Jupyter notebook/Pycharm调用Anaconda虚拟环境
有需要的可以自行查看哦！一定会对你有帮助的！！!

CUDA安装

CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构（ISA）以及GPU内部的并行计算引擎。 开发人员可以使用C语言来为CUDA架构编写程序，所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。

我们可以安装CUDA来进行深度学习在NVIDIA的GPU显卡加速运算。

但是我们在安装CUDA之前，要先确认计算机上是否支持CUDA程序的NVIDIA显卡设备。
打开设备管理器，查看显示适配器是否有英伟达的显卡配置

可以看出我的是1660Ti的配置支持。
如果计算机上没有NVIDIA显卡，则无法安装CUDA程序。
CUDA的安装很简单，就分成三步：
1、cuda的软件安装
2、cvDNN的神经网络加速库安装
3、配置环境变量

cuda软件安装

我们进入cuda软件下载的界面：CUDA下载页
进入后选择CUDA Toolkit 11.6.0版本

大约是2.4GB，如果嫌麻烦也没关系，我已经下载好了，大家可以根据我分享的百度网盘下载：
链接：https://pan.baidu.com/s/10aHSylaMn8aEGj062c0HLA
提取码：qjuz
安装包安装完毕后，打开安装软件：路径可自行更改

这里我们选择自定义安装。

在组件CUDA一栏中，取消勾选Visual Studio Integration（因为我们并没有使用Visual Stduio环境，即使勾选上了也会安装失败）

在Driver components一栏比较Display Driver的新版本和当前版本的信息。若当前版本高于新版本，则取消勾选Display Driver；若若当前版本低于新版本，则保留默认安装信息即可，否则电脑会死机或者卡顿，甚至可能蓝屏。！！！

在CUDA的安装路径这里，保持默认就好，默然安装在C盘，一定一定不要修改。（来自一个手贱的人的警告）
一定一定要记住安装路径，因为后面配置环境要用到！！！




安装完成后，我们打开环境变量查看环境是否配置好了，打开系统变量：

如果系统变量没有自动配置的话，需要我们手动配置。路径是根据前面是否自己有没有修改来指定。↓

配置好环境变量后，我们检查下CUDA是否安装成功。打开cmd，输入以下命令查看CUDA是否安装成功（二选一）
如果不能显示以下信息，则说明安装失败。

nvcc -V

或者

nvcc --version

还可以查看CUDA 设置的环境变量。

set cuda

我们还可以搜索CUDA 的安装目录，找到“nvcc.exe”文件。

cuDNN神经网络加速库安装

CUDA并不是实现GPU的神经网络加速库，如果希望针对的是神经网络进行加速，我们还需要安装cuDNN神经网络加速库。
cuDNN并非是应用程序，而是几个文件包，下载后把它复制到CUDA 的目录下即可。
cuDNN下载页：cuDNN下载页


注意！如果要下载cuDNN，必须要登录NVIDIA的账户。登录完成后才能下载。没登录过的先注册。 如果大家嫌麻烦的话也不要紧，我已经下载好了，大家下载我的百度网盘分享连接下载即可：
链接：https://pan.baidu.com/s/10aHSylaMn8aEGj062c0HLA
提取码：qjuz

下载好安装包后，我们解压可以看到有四个文件：

我们查看CUDA11.6的原文件：

将cuDNN的文件全部复制到该文件夹下，复制后的文件展示：（有重复的文件是正常的，覆盖掉就好）

cuDNN其实就是CUDA的一个补丁而已，专为深度学习运算进行优化的，然后我们再添加环境变量！继续往下走。

配置环境变量

我们打开环境变量，在系统变量的path路径下添加以下路径：（具体要根据自己的安装路径下做调整）

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\bin
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\libnvvp
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\lib
C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\include

添加好后是这样的：

配置好环境后，我们需要验证环境变量是否配置成功：
打开cmd，我们进入到以下路径：

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.6\\extras\\demo_suite

然后分别执行以下两个命令：.\\bandwidthTest.exe
和.\\deviceQuery.exe


如果Result都为PASS的话则配置成功！

都安装好之后，我们可以继续输入nvidia-smi查看CUDA的信息，然后根据安装版本的信息再去实现其他的库（环境）安装和使用！

如图所示，可以看到驱动的版本是511.23；最高支持的CUDA版本是11.6版本。

TensorFlow的gpu版本安装

国内利用pip命令下载安装经常会遇到下载速度很慢甚至连接断开、响应超时等导致安装失败的情况。这时，我们可以选择国内的镜像配置pip源，仅需要在“pip install”命令后加入“-i 源地址”即可。
现在我们利用国内清华源安装TensorFlow的最新版本。
打开cmd，以下命令安装：

pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

“-U”参数指定如果已安装此包，则进行升级命令。
安装好后，我们检测是否安装成功：
进入python环境，打开ipython交互命令终端，导包：import tensorflow as tf

若无错误信息，输入

tf.test.is_gpu_available()

会返回tensorflow的gpu版本信息。
在末尾如果显示True，则tensorflow的gpu版本安装成功；若为False，则说明安装失败，需要重新检查CUDA，cuDNN的安装及其环境变量的配置。注意看返回的错误信息，重点检查CUDA和cuDNN的版本和tensorflow的版本是否匹配！
或者输入

tf.config.list_physical_devices('GPU')

还能查看服务类型。

还可以查看可用的gpu数量：

print('Num GPUs Available:',len(tf.config.list_physical_devices('GPU')))

还可以查看TensorFlow的版本信息：

tf.__version__

后面如果我们通过tensorflow进行模型训练，系统会自动使用GPU来训练，不用我们自己手动设置。

最后，希望这篇文章可以帮助到你！