Tensorflow GPU CUDA CUDNN 环境搭建【详细】

半猿派 2021-12-30

371

点击蓝字关注我们

前言：Tensorflow是广泛应用于机器学习、深度学习的开发框架，使得原本繁琐复杂的数学原理变成一个个简单易用的API，且GPU版本使得计算效率相比于CPU大幅提升，虽然TF有CPU版本，但是一般而言训练较大规模的模型时，GPU版更为适合。GPU适合计算大规模简单运算，突出并行性来提高计算效率，而CPU更多要负责操作系统控制，以时间片形式实现伪并行，更多信息在此不再赘述。本文主要以Windows操作系统为基础，介绍Tensorflow gpu版本的环境搭建，走起。

一

Pycharm 安装 Tensorflow-gpu

打开Pycharm（本文使用2018版本）

File->settings打开设置界面如下：

点击上图右上角红圈内的“+”号：

输入Tensorflow，找到GPU版本如上图。

（也会搜到tensorflow无后缀的版本，小编没有试过是否支持GPU，后续验证后再告诉大家，这里就选择tensorflow-gpu版本）

点击左下角“Install Package”

进行安装，等待安装完成即可。（注意需要保证网络通畅）小编安装过程中遇到问题：

解决方式：新建工程，工程文件夹中找到"setuptools-39.1.0-py3.6.egg”文件复制到上图红色路径下，重新安装，即可。

安装完成：

关于Pycharm 安装包获取和Pycharm安装第三方库的方式可以参考公众号内前面文章：1分钟学会Python 开发环境搭建！

新建测试代码，运行，出现结果：

提示缺少相关动态库，这是因为电脑上没有安装CUDA和CUDNN。接下来进行安装。

二

CUDA 及CUDNN的安装

匹配关系分析

需要特别注意的是以下5个工具的版本要相互匹配才行：

A. CUDA

B. CUDNN

C. NVIDIA 显卡驱动

D. Tensorflow 版本

E. Python版本

CUDA & Driver Versions:

（数据来源：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html）

Python & Tensorflow & CUDA & CUDNN:

（数据来源：https://tensorflow.google.cn/install/source）

小编根据自己的机器，选择上述五种工具的版本如下：

在搞清楚了对应关系后，便可下载相应的安装包进行安装。

下载CUDA CUDNN (需要注册NVIDIA网站)

CUDA下载链接：

https://developer.nvidia.com/cuda-11.2.0-download-archive

CUDNN 下载链接：

https://developer.nvidia.cn/rdp/cudnn-download

安装CUDA

安装CUDA，一路默认，等待安装完成即可：

安装CUDNN

解压后的CUDNN文件结构如下图所示：

将CUDNN 文件夹内容复制到“NVIDIA GPU Computing Toolkit -> CUDA->v11.2”下，如下图：

添加系统环境变量：

三

运行代码进行验证：

经过上述步骤，我们已经搭建好了Tensorflow环境。有心的读者可以发现没有安装显卡驱动的过程，因为小编电脑原来已经安装好了显卡驱动。小编建议大家也先不用单独安装显卡驱动，在上述步骤都安装完成后，假如测试代码不成功，再考虑更新显卡驱动至合适的版本。NVIDIA显卡驱动下载地址依然为NVIDIA官网。

编写Python代码，运行，打印相关信息：

import tensorflow as tf
from tensorflow.python.client import device_lib


print(tf.test.is_gpu_available)
print(tf.__version__)
print(device_lib.list_local_devices())