安装Tensorflow(gpu版本)
一、安装Anaconda
文章结构:
- Anaconda 下载安装地址:https://www.anaconda.com/download/
安装完毕:
二、安装tensorflow(gpu版本)
1、查看电脑显卡配置
在安装前,首先确定你的电脑支不支持gpu,查看一下显卡配置:
注意:安装gpu版本的话需要提前安装cuda ,cudnn,而且cuda,cudnn,python,都要预先和TensorFlow匹配,这点十分关键,也是成败的关键
-
安装对应版本的cuda,cudnn 从这里看对应版本:https://tensorflow.google.cn/install/source_windows?hl=zh-CN
传送门:
cuda:https://developer.nvidia.com/cuda-toolkit-archive
cdnn:https://developer.nvidia.com/rdp/cudnn-archive
-
安装路径(记住)
-
配置环境变量path(看一下有没有配置好)
-
装 msvc,贴上:https://docs.microsoft.com/zh-CN/cpp/windows/latest-supported-vc-redist?view=msvc-170
-
关键步骤:
cdnn下载好后对应的bin include lib 这些 文件的内容 相应的复制到 cuda的安装路径下的 对应的bin inculue lib 文件下
2、虚拟环境安装tensorflow
-
进入anaconda,base环境下 (创建虚拟环境这一步是方便不同版本的切换,不污染环境)
#这里选择安装tensorflow2.4(需要CUDA 11.0和CUDNN 8.0,python 3.6-3.8) conda create --name tf_2.4 python=3.7 tf_2.4是自定义的环境名,python选择了3.7 #这时候,创建好了虚拟环境,查看 conda env list #激活虚拟环境 tf_2.4 conda activate tf_2.4 #安装tensorflow 2.4 #选择国内清华源:: pip install pip -U pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install tensorflow-gpu==2.4.0 #测试tensorflow python #可以看到python版本
-
运行
import tensorflow as tf tf.config.list_physical_devices() # gpu版的安装的信息 #检查在本机有没有安装cuda cudnn tf.test.is_built_with_cuda() 返回true tf.test.is_built_with_gpu_support() 返回true 返回以下信息,说明安装成功了。
三、安装tensorflow(cpu版本)
-
创建虚拟环境安装tensorflow
conda create --name tfcpu_2.7 python=3.7 #创建虚拟环境 conda activate tfcpu_2.7 #激活 #安装tensorflow2.7 #选择国内清华源: pip install pip -U pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple pip install tensorflow==2.7.0
-
测试tensorflow
四、添加内核
1、添加tensorflow gpu 2.4.0内核
- 思路:base环境安装ipykernel->新的环境安装ipykernel->回base环境->写入kernel->还是在base环境->激活jupyter lab
- 演示添加tensorflow gpu 2.4.0内核
#先给base环境安装
conda install ipykernel -y
#激活新的环境
conda activate tf_2.4 添加gpu版本的tensorflow到内核
#给新的环境安装ipykernel库管理解释器
conda install ipykernel -y
#切换回base环境
conda activate base
#写入kernel
python -m ipykernel install --user --name tf_2.4 --display-name "tf_gpu_2.4" #--name tf_2.4原本环境的名字,"tf_gpu_2.4"是想要看到的名字
#还是在base环境,激活jupyter lab或者jupyter notebook
jupyter lab
到这,tensorflow gpu 2.4.0内核就添加成功了,添加cpu版本的也是一个道理的。
- 添加完内核后,可以方便的选择不同的内核进行切换,以满足不同的需求
2、删除内核
有时候,我们想要删除相应的内核,可以通过:
#删除juypter中kernel
jupyter kernelspec list 列出当前
jupyter kernelspec remove <名字> #注释:<>尖括号去掉之后,输入kernel 名字即可删除
五、修改Jupyter lab路径
每次我们打开Jupyter lab时,在弹出的浏览器界面上是系统默认的文件位置(工作路径),有时候我们想保存写好的Python文件到自己想要的位置时就非常的不方便,那么我们该如何修改Jupyter lab默认的工作路径呢?
#base 环境下
jupyter notebook --generate-config
#根据路径,找到刚才生成的配置文件
-
用记事本打开此配置文档,并用搜索(Ctrl+F)找到如下字段:
#c.NotebookApp.notebook_dir =
- 在后面的引号“”中输入想修改为的默认工作路径,并删除前面的#,保存文件
- 修改Jupyter lab的快捷方式,删掉目标中的%USERPROFILE%,并在后面添加上刚才设置好的默认工作路径
ok,更改成功。
六、一些要理解的基本知识
- base 环境只是anaconda自动配置的环境,里面的Python环境是你自己本机之前安装存在的。
- 在anaconda创建了虚拟环境后,意味着你要重新在这个虚拟环境重新安装
- conada 里面安装TensorFlow,conda会自动安装cudatoolkit,并不是说不用再安装cuda和cudann了,只是cudatoolkit会让你运行的时候启动一下显卡,还是需要手动安装cuda和cudnn到本机
- pip 和conda区别:功能区别不太大,使用pip的话仅仅安装软件包,使用conda,可以自动检查依赖环境
更多推荐
所有评论(0)