TensorFlow的环境配置与安装教程详解（win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5）

记录一下安装win10+GeForce GTX1060+CUDA 9.0+cuDNN7.3+tensorflow-gpu 1.12.0+python3.5.5

之前已经安装过pycharm、Anaconda以及VS2013，因此，安装记录从此后开始

总体步骤大致如下：

1、确认自己电脑显卡型号是否支持CUDA（此处有坑）

此处有坑！不要管NVIDIA控制面板组件中显示的是CUDA9.2.148。

你下载的CUDA不一定需要匹配，尤其是CUDA9.2，最好使用CUDA9.0，我就在此坑摔的比较惨。

2、下载CUDA以及cuDNN，注意版本对应①查看版本匹配：

https://www.tensorflow.org/install/source_windows

②下载CUDA：

https:/https://img.qb5200.com/download-x/developer.nvidia.com/cuda-toolkit-archive

官网上下载的CUDA 9.0有好几个版本，其中主要是cuda_9.0.176_win10.exe，其他的四个是补丁。

③下载cuDNN：

https:/https://img.qb5200.com/download-x/developer.nvidia.com/cudnn

https:/https://img.qb5200.com/download-x/developer.nvidia.com/rdp/cudnn-archive

下载cuDNN需要注册一个NVIDIA的账号。

3、安装CUDA和cuDNN，并设置环境变量（重要）①CUDA安装

我是按照默认路径安装的，没有修改。此外，使用自定义安装，但是几乎全选了，除了一个当前版本已经是最新版本的组件没有勾选。

切记CUDA的安装路径，因为安装cuDNN以及设置环境变量时需要。

②cuDNN9.0安装

cuDNN是一个压缩包，解压后的内容如下

：

全选并复制所有内容，粘贴到CUDA的安装路径下，默认路径是:

③设置环境变量（重要）

这部分我主要参考的是：https://blog.csdn.net/qilixuening/articlehttps://img.qb5200.com/download-x/details/77503631

计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了两个环境变量，接下来，分别是：

CUDA_PATH和CUDA_PATH_V8_0。

还要在系统变量中新建以下几个环境变量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0

CUDA_LIB_PATH = %CUDA_PATH%\lib\x64

CUDA_BIN_PATH = %CUDA_PATH%\bin

CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64

CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

如下图所示：

然后在系统变量中找到 PATH，点击编辑并添加：

%CUDA_LIB_PATH%

%CUDA_BIN_PATH%

%CUDA_SDK_LIB_PATH%

%CUDA_SDK_BIN_PATH%

再添加如下4条（默认安装路径）：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；

C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；

如果你选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径。

④查验是否安装成功

重启计算机（必须），然后在Anaconda prompt中输入nvcc -V。（注意，V是大写）返回以下信息则安装成功。

4、创建tensorflow-gpu环境并激活

（此部分可参考的教程比较多，可自行搜索）

①conda create --name tensorflow-gpu python=3.5

在Anaconda Prompt 中输入conda create --name tensorflow-gpu python=3.5，创建名为tensorflow-gpu的环境（名字可以自己改，不一定都叫tensorflow-gpu）。

②activate tensorflow-gpu

按照提示，接下来activate tensorflow-gpu，进入到新创建的环境，退出时使用deactivate

③conda info --envs

最后，conda info --envs，查看创建的所有环境，确保tensorflow-gpu环境创建成功

5、安装tensorflow-gpu

使用activate进入到tensorflow-gpu环境，使用以下命令进行安装：

pip install --ignore-installed --upgrade tensorflow-gpu==1.12.0

如果安装缓慢请参考其他教程换源。

6、查验tensorflow是否安装成功

这部分主要参考：https://zhuanlan.zhihu.com/p/58607298

①activate到tensorflow-gpu环境中然后输入python进入到python中，输入一下代码：

import tensorflow as tf
hello = tf.constant('Hello , Tensorflow! ')
sess = tf.Session()
print(sess.run(hello))

预期输出：

b'Hello , Tensorflow! '

中间会有一大堆关于 GPU的Log信息，例如：

2020-06-22 09:47:38.562662: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2
2020-06-22 09:47:39.111893: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties:
name: GeForce GTX 1060 major: 6 minor: 1 memoryClockRate(GHz): 1.6705
pciBusID: 0000:01:00.0
totalMemory: 6.00GiB freeMemory: 4.97GiB
2020-06-22 09:47:39.134322: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0
2020-06-22 09:47:41.602201: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2020-06-22 09:47:41.612905: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988] 0
2020-06-22 09:47:41.618302: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0: N
2020-06-22 09:47:41.631165: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0https://img.qb5200.com/download-x/device:GPU:0 with 4722 MB memory) -> physical GPU (device: 0, name: GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1)

如果只是平时做小规模的训练，可以在Python Code前设置log等级：

import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

如果想彻底解决，请参考：https:

②查看TensorFlow和Keras版本：

import tensorflow as tf
from tensorflow.keras import layers
print(tf.VERSION)
print(tf.keras.__version__)

输出：

1.12.0
2.1.6-tf

7、在pycharm中调用tensorflow，

并查验tensorflow是否能够调用gpu做运算

①在PyCharm中新建Project

②进入中Existing interpreter右侧浏览目录

③在Interpreter右侧浏览目录中找到自己安装Anaconda的路径，在其中的envs文件夹中，有上文中自己创建的tensorflow-gpu环境，选中其中python.exe即可。

④在pycharm中查验tensorflow是否能够调用gpu做运算查验tensorflow是否能够调用gpu做运算：

创建一个.py文件，用TensorFlow，来比较一下CPU和GPU的时间差异：

例子来源：https://zhuanlan.zhihu.com/p/58607298

import tensorflow as tf
import timeit
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
 
# See https://www.tensorflow.org/tutorials/using_gpu#allowing_gpu_memory_growth
config = tf.ConfigProto()
config.gpu_options.allow_growth = True
 
with tf.device('/cpu:0'):
 random_image_cpu = tf.random_normal((100, 1000, 100, 3))
 net_cpu = tf.layers.conv2d(random_image_cpu, 32, 7)
 net_cpu = tf.reduce_sum(net_cpu)
 
with tf.device('/gpu:0'):
 random_image_gpu = tf.random_normal((100, 1000, 100, 3))
 net_gpu = tf.layers.conv2d(random_image_gpu, 32, 7)
 net_gpu = tf.reduce_sum(net_gpu)
 
sess = tf.Session(config=config)
 
# Test execution once to detect errors early.
try:
 sess.run(tf.global_variables_initializer())
except tf.errors.InvalidArgumentError:
 print(
 '如果出了这个Error表示GPU配置不成功！\n\n')
 raise
 
 
def cpu():
 sess.run(net_cpu)
 
 
def gpu():
 sess.run(net_gpu)
 
 
# Runs the op several times.
print('Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images '
 '(batch x height x width x channel). Sum of ten runs.')
print('CPU (s):')
cpu_time = timeit.timeit('cpu()', number=10, setup="from __main__ import cpu")
print(cpu_time)
print('GPU (s):')
gpu_time = timeit.timeit('gpu()', number=10, setup="from __main__ import gpu")
print(gpu_time)
print('GPU speedup over CPU: {}x'.format(int(cpu_time / gpu_time)))
 
sess.close()

输出：

Time (s) to convolve 32x7x7x3 filter over random 100x1000x100x3 images (batch x height x width x channel). Sum of ten runs.
CPU (s):
25.24234085335886
GPU (s):
1.5711942943447745
GPU speedup over CPU: 16x

输出表明：这个任务GPU和6个i7的CPU相比快了16倍！

安装踩坑总结：

其中最大的坑就是CUDA、cuDNN、tensorflow-gpu以及python版本之间的匹配了。有时候明明按照官方的版本匹配列表安装，也是不行。

安装之后如果出现“ImportError: DLL load failed: 找不到指定的模块”错误，一般问题都是出在了版本不匹配上。

最需要注意的是CUDA9.2 。最初在NVIDIA控制面板，显示我的显卡支持CUDA 9.2.148，因此我按照推荐列表，选择tensorflow-gpu1.12.0+cuDNN 7.5.0.56+CUDA 9.2.148 +python3.5.5。注意此处有坑！！无论如何都是安装不成功，一直都是“ImportError: DLL load failed: 找不到指定的模块”这个错误。

后来看到有网友说，推荐列表中只给出CUDA版本号 的第一位，一般使用的都是CUDA9.0或者CUDA10.0，后面版本可能会出现不兼容。

于是，卸载CUDA9.2（不要管NVIDIA控制面板组件中显示的是CUDA9.2.148，不一定需要匹配），重新在推荐列表中寻找匹配的cuDNN以及tensorflow-gpu版本，最后成功安装。

总结