Window10上Tensorflow的安装(CPU和GPU版本)

之前摸索tensorflow的时候安装踩坑的时间非常久,主要是没搞懂几个东西的关系,就在瞎调试,以及当时很多东西不懂,很多报错也一知半解的。这次重装系统后正好需要再配置一次,把再一次的经历记录一下。我的电脑是华为的matebook13,intel i5-8625U,MX250显卡,win10系统。(不得不吐槽很垃圾,只能满足测试测试调调代码的需求)

深度学习利用Tensorflow平台,其中的Keras Sequential API对新用户非常的友好,可以将各基础组件组合在一起来构建模型。

(官网: https://tensorflow.google.cn/?hl=zh-cn

安装Tensorflow 分为 tensorflow_cpu 和 tensorflow_gpu版本

GPU就是用来渲染计算的,GPU版本计算性能是CPU的百倍之快。如果电脑没有独立显卡只能用CPU版本计算。

CPU版本安装:

tensorflow_cpu版本只需要安装anaconda后在anaconda prompt里面pip install tensorflow_cpu==(版本号) 即可。安装anaconda的方法见GPU版本里面。

注意查下python和tensorflow_cpu适配的版本号。

GPU版本安装

tensorflow_gpu版本安装大致分为三步:1、安装anaconda 2、安装cuda和cdunn 3、安装tensorflow_gpu。其中第一步和第二步的顺序可以调换,就是安装完了前面三个东西再安装tensorflow即可。

tensorflow最近出了2.0版本,和1.0大版本有一些区别。具体我还没有去了解,代码不一定兼容,需要注意一下。这三个步骤的版本需要格外的注意,一旦三个自己的版本互相不兼容或者和电脑的显卡不兼容,就用不了。所以安装前看看要安装的tensorflow版本。先查好显卡的算力,然后适配的相应版本再安装,否则踩坑要很久。

首先确定电脑所能支持的tensorflow版本,根据tensorflow官网所给配置,我们要去检查电脑gpu的cuda支持版本,再去对应下载python版本和tensorflow版本。

右键 桌面>NVIDIA控制面板>帮助>系统信息>组件

上图说明我的显卡所支持的cuda版本为11.1(向下兼容)

Tensorflow配置window官网:https://tensorflow.google.cn/install/source_windows

以我电脑为例,之前我用的是3.7.3的版本。这次重装系统后安装的是3.8.3。

cmd查看python版本:

我之前tensorflow用的是1.13的版本,这次因为已经安装了python3.8,因此打算安装2.0版本。如果仍需要低版本需要重新安装python较低的版本或者搭一个虚拟环境(但不是很建议)。

第一步,安装anaconda

anaconda会对应安装python环境,不一定要最新的, 最新的python版本不一定有兼容的cuda加速,有cuda加速也不一定支持电脑的显卡。

官网安装:https://www.anaconda.com/products/individual,之前版本如果官网没有可能需要找资源。

第二步,安装cuda工具包

(官网:https://developer.nvidia.com/zh-cn/cuda-toolkit)

CUDA是 NVIDIA 专为图形处理单元 (GPU) 上的通用计算开发的并行计算平台和编程模型。借助 CUDA,开发者能够利用 GPU 的强大性能显著加速计算应用。在经 GPU 加速的应用中,工作负载的串行部分在 CPU 上运行,且 CPU 已针对单线程性能进行优化,而应用的计算密集型部分则以并行方式在数千个 GPU 核心上运行。使用 CUDA 时,开发者使用主流语言(如 C、C++、Fortran、Python 和 MATLAB)进行编程,并通过扩展程序以几个基本关键字的形式来表示并行性。由于tensorflow最高版本对应的是cuda10.1版本,那下载cuda10.1即可。安装包链接:https://developer.nvidia.com/cuda-toolkit-archive

CUDA的下载需要挂载VPN,否则下下来只有1kb (好像后面又不一定需要VPN,可以直接下载试试)

自定义安装,安装的东西全选了,尽量不要改安装位置

安装完之后安装cuDNN, cuDNN是用于深度神经网络的GPU加速库.注意安装的版本,选择自身cuda版本对应的cudnn下载。

官网:https://developer.nvidia.com/rdp/cudnn-archive ,cuDNN的下载需要注册官网的账号

下载好的cudnn文件解压后,将文件夹内的文件放到cuda对应文件夹下,注意:是文件夹内的文件,而不要直接复制替换文件夹

第三步,安装tensorflow—gpu

在anaconda prompt里面安装:pip install tensorflow-gpu , 后面可以指定版本号,下载慢挂载一个镜像源 -i https://pypi.tuna.tsinghua.edu.cn/simple

安装完成:

测试是否安装成功:

import tensorflow as tf
tf.test.is_gpu_available()

True即表示安装成功了。

查看版本号:

至此安装成功,可以跑一个小程序测试一下。

import tensorflow as tf
import os
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'

a = tf.constant(1.)
b = tf.constant(2.)
print(a+b)
print('GPU:', tf.test.is_gpu_available())

显示“GPU True”, 也即代表GPU版本安装成功。

经过几天调了一下代码之后发现tensorflow2相对与1还是有挺多改动的,1里面能够运行的代码可能2里面需要一定的修改。

关于Tensorflow2和1上面keras的一些区别可以搜一下相关的资料。

到此这篇关于Window10上Tensorflow的安装(CPU和GPU版本)的文章就介绍到这了,更多相关Window10安装Tensorflow 内容请搜索我们以前的文章或继续浏览下面的相关文章希望大家以后多多支持我们!

(0)

相关推荐

  • windows环境下tensorflow安装过程详解

    一.前言 本次安装tensorflow是基于Python的,安装Python的过程不做说明(既然决定按,Python肯定要先了解啊):本次教程是windows下Anaconda安装Tensorflow的过程(cpu版,显卡不支持gpu版的...) 二.安装环境 (tensorflow支持的系统是64位的,windows和linux,mac都需要64位) windows7(其实和windows版本没什么关系,我的是windows7,安装时参照的有windows10的讲解) Python3.5.2(

  • 解决windows上安装tensorflow时报错,“DLL load failed: 找不到指定的模块”的问题

    最近打算开始研究一下机器学习,今天在windows上装tensorflow花了点功夫,其实前面的步骤不难,只要依次装好python3.5,numpy,tensorflow就行了,有一点要注意的是目前只有python3.5能装tensorflow,最新版的python3.6都不行. 装好tensorflow后,我建议大家不要直接用测试用例进行测试(如果没装好的话出现的错误一般都是:module 'tensorflow' has no attribute 'constant').第一次测试时可以在p

  • python3.6.3安装图文教程 TensorFlow安装配置方法

    本文主要介绍Python3.6及TensorFlow的安装和配置流程. 一.Python官网下载自己电脑和系统对应的Python安装包. 网址:下载地址 一直往下拉到Files,这里我下载的是Windows x86-64 executable installer (注意:要装TensorFlow必须安装64位的Python,TensorFlow不支持32位)< 二.下载python-3.6.3-amd64.exe应用程序 下载完成后得到一个python-3.6.3-amd64.exe应用程序,右

  • 解决Tensorflow安装成功,但在导入时报错的问题

    在Mac上按照官网教程安装成功tensor flow后,但在程序中导入时,仍然报错,包括但不限于以下两个错误.对于这种错误,原因主要在于Mac内默认的python库比较老了,即便通过pip命令安装了新的包,python也会默认导入默认位置的包.这时候需要做的就是删除,有冲突的包,对于以下两个错误,就是分别时numpy和six两个包冲突了. 可以在python命令行环境下,通过numpy.version和six.version两个命令查看当前版本,如果与预期的不一致,就可以删掉. 可以通过nump

  • Windows10下Tensorflow2.0 安装及环境配置教程(图文)

    下载安装Anaconda 下载地址如下,根据所需版本下载 安装过程暂略(下次在安装时添加) 下载安装Pycharm 下载安装Pycharm,下载对应使用版本即可 如果你是在校学生,有学校的edu邮箱,可以免费注册Pycharm专业版,注册地址如下,本文不详细说明 下载CUDA10.0 下载地址如下CUDA Toolkit 10.0 Archive 下载之后默认安装即可 下载CUDNN 通过此处选择版本对应的CUDNN,对于本次配置就选择Windows 10对应的版本 下载CUDNN需要注册一个N

  • Python3.7安装keras和TensorFlow的教程图解

    win10 Python3.7安装keras深度学习集成包 TensorFlow 和Ubuntu下安装keras 在win10下安装 安装时必须检查你的python是否为64位,32位不支持!!! 32 位卸载 下载其中的64位在python官网 https://www.python.org/downloads/windows/ 然后在 pip install --upgrade tensorflow 如果出现错误可以手动选择下载然后安装对于3.7以上版本更适合 https://www.lfd.

  • tensorflow安装成功import tensorflow 出现问题

    在安装tensorflow完成后,import tensorflow as tf出现问题,问题如下: >>> import tensorflow as tf Traceback (most recent call last): File "I:\Anaconda3\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module> from tensorflow.p

  • win10安装Anaconda+tensorflow2.0-CPU+Pycharm的图文教程

    一.安装Anaconda 1.下载安装Anaconda. 去官网下载,打开安装包: Next: I Agree: Next: 安装路径可修改,但都在User文件路径下,点Next: 都打上勾,点击Install,等待安装完成. 2.测试anaconda: 键盘点击Win+R,输入cmd运行 然后输入conda list回车,如下图即成功. 二.安装tensorflow 1.使用Anaconda创建新环境. 打开Anaconda Prompt: 输入: conda create -n tensor

  • 详解TensorFlow在windows上安装与简单示例

    本文介绍了详解TensorFlow在windows上安装与简单示例,分享给大家,具体如下: 安装说明 平台:目前可在Ubuntu.Mac OS.Windows上安装 版本:提供gpu版本.cpu版本 安装方式:pip方式.Anaconda方式 Tips: 在Windows上目前支持python3.5.x gpu版本需要cuda8,cudnn5.1 安装进度 2017/3/4进度: Anaconda 4.3(对应python3.6)正在安装,又删除了,一无所有了 2017/3/5进度: Anaco

  • Window10上Tensorflow的安装(CPU和GPU版本)

    之前摸索tensorflow的时候安装踩坑的时间非常久,主要是没搞懂几个东西的关系,就在瞎调试,以及当时很多东西不懂,很多报错也一知半解的.这次重装系统后正好需要再配置一次,把再一次的经历记录一下.我的电脑是华为的matebook13,intel i5-8625U,MX250显卡,win10系统.(不得不吐槽很垃圾,只能满足测试测试调调代码的需求) 深度学习利用Tensorflow平台,其中的Keras Sequential API对新用户非常的友好,可以将各基础组件组合在一起来构建模型. (官

  • win10系统Anaconda和Pycharm的Tensorflow2.0之CPU和GPU版本安装教程

    tf2.0的三个优点: 1.方便搭建网络架构: 2.自动求导 3.GPU加速(便于大数据计算) 安装过程(概要提示) step1:安装annaconda3 step2:安装pycharm step3:安装tensorflow2.0 cpu版本 (1)进入anaconda prompt(anaconda3) (2)默认为(base)环境 (3)输入python,查看python版本:输入exit()退出 (4)输入conda info --envs查看虚拟环境 (5)此处以在(base)环境中安装

  • Tensorflow中使用cpu和gpu有什么区别

    目录 使用cpu和gpu的区别 一些术语的比较(tensorflow和pytorch/cpu和gpu/) tensorflow和pytorch cpu和gpu cuda 使用cpu和gpu的区别 在Tensorflow中使用gpu和cpu是有很大的差别的.在小数据集的情况下,cpu和gpu的性能差别不大. 不过在大数据集的情况下,cpu的时间显著增加,而gpu变化并不明显. 不过,我的笔记本电脑的风扇终于全功率运行了. import tensorflow as tf import timeit

  • tensorflow指定CPU与GPU运算的方法实现

    1.指定GPU运算 如果安装的是GPU版本,在运行的过程中TensorFlow能够自动检测.如果检测到GPU,TensorFlow会尽可能的利用找到的第一个GPU来执行操作. 如果机器上有超过一个可用的GPU,除了第一个之外的其他的GPU默认是不参与计算的.为了让TensorFlow使用这些GPU,必须将OP明确指派给他们执行.with......device语句能够用来指派特定的CPU或者GPU执行操作: import tensorflow as tf import numpy as np w

  • 运行tensorflow python程序,限制对GPU和CPU的占用操作

    一般情况下,运行tensorflow时,默认会占用可以看见的所有GPU,那么就会导致其它用户或程序无GPU可用,那么就需要限制程序对GPU的占用.并且,一般我们的程序也用不了所有的GPU资源,只是强行霸占着,大部分资源都不会用到,也不会提升运行速度. 使用nvidia-smi可以查看本机的GPU使用情况,如下图,这里可以看出,本机的GPU型号是K80,共有两个K80,四块可用(一个K80包括两块K40). 1.如果是只需要用某一块或某几块GPU,可以在运行程序时,利用如下命令运行:CUDA_VI

  • WIndows10系统下面安装Anaconda、Pycharm及Pytorch环境全过程(NVIDIA GPU版本)

    目录 1.判断电脑是否具有GPU 2. 安装Anaconda 3. 创建虚拟环境 3.1 利用conda命令创建虚拟环境 4. GPU和CUDA准备工作 5. 安装Pytorch 6. 验证Pytorch 7. 安装PyCharm并进行配置 总结 1.判断电脑是否具有GPU 打开电脑任务管理器,进入性能选项,看是否有带有Nvidia的GPU的标识 或者,在桌面点击鼠标右键,看见NVIDIA控制面板也是可以的 2. 安装Anaconda 进入Anaconda的官方网站 Anaconda官网 网站会

  • 解决Tensorflow 使用时cpu编译不支持警告的问题

    使用TensorFlow模块时,弹出错误Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX AVX2 原因是下载TensorFlow的版本不支持cpu的AVX2编译. 可能是因为安装时使用的pip install tensorflow ,这样默认会下载X86_64的SIMD版本. 有两种解决办法: 1.忽略这个警告,不看它! import os os.environ["TF

  • 关于win10在tensorflow的安装及在pycharm中运行步骤详解

    本文介绍在win10中安装tensorflow的步骤: 1.安装anaconda3 2.新建conda环境变量,可建多个环境在内部安装多个tensorflow版本,1.x和2.x版本功能差别太大,代码也很大区别 3.环境中安装python和fensorflow 4.用tensorflow运行一段测试程序 安装anaconda下载地址(清华镜像): https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/选择最新版本 开始安装anaconda 选

  • 使用Tensorflow-GPU禁用GPU设置(CPU与GPU速度对比)

    禁用GPU设置 # 在import tensorflow之前 import os os.environ['CUDA_VISIBLE_DEVICES'] = '-1' CPU与GPU对比 显卡:GTX 1066 CPU GPU 简单测试:GPU比CPU快5秒 补充知识:tensorflow使用CPU可以跑(运行),但是使用GPU却不能用的情况 在跑的时候可以让加些选项: with tf.Session(config=tf.ConfigProto(allow_soft_placement=True,

  • Pytorch如何切换 cpu和gpu的使用详解

    前言,在pytorch中,当服务器上的gpu被占用时,很多时候我们想先用cpu调试下代码,那么就需要进行gpu和cpu的切换. 方法1:x.to(device) 把 device 作为一个可变参数,推荐使用argparse进行加载: 使用gpu时: device='cuda' x.to(device) # x是一个tensor,传到cuda上去 使用cpu时: device='cpu' x.to(device) 方法2:使用x.cuda()+CUDA_VISIBLE_DEVICES 很多贴子中说

随机推荐