Win10 Anaconda下TensorFlow-GPU环境搭建详细教程（包含CUDA+cuDNN安装过程）

目录

• 前言
• 第一步：安装Anaconda
  • 1.下载和安装
  • 2.配置Anaconda环境变量
• 第二步：安装TensorFlow-GPU
  • 1.创建conda环境
  • 2.激活环境
  • 3.安装tensorflow-gpu
• 第三步：安装CUDA Toolkit + cuDNN
  • 1.查看需要安装的CUDA+cuDNN版本
  • 2.下载CUDA + cuDNN
  • 3.安装 CUDA Toolkit 9.0 和 cuDnn 7.0
    • 至关重要的一步：卸载显卡驱动
    • 安装
    • 配置环境变量
• 第四步：测试

前言

配置环境，研究了一整天，踩了很多坑，在网上找了很多资料，发现基本上都没非常明确的教程，所以今天想分享一下配置tensorflow GPU版本的经验，希望能让各位朋友少走些弯路。（PS：一切的前提，你需要有一张Nvidia显卡。我的显卡是 GT940MX）

Tensorflow有两个版本：GPU和CPU版本，CPU的很好安装；GPU 版本需要 CUDA 和 cuDNN 的支持，如果你是独显+集显，那么推荐你用GPU版本的，因为GPU对矩阵运算有很好的支持，会加速程序执行！并且CUDA是Nvidia下属的程序，所以你的GPU最好是Nvidia的，AMD的显卡没有CUDA加速！满足以上条件之后，你需要查看一下你的英伟达GPU是否支持CUDA，以下是Geforce支持的目录：

你也可以点击查看你的GPU是否支持CUDA

满足以上条件之后，你就可以安装Tensorflow了！

第一步：安装Anaconda

1.下载和安装

下载地址：https://www.anaconda.com/download/

我系统是64位，所以下载 64-Bit Graphical Installer (631 MB)，之后就是进行安装了。

和安装其他软件没有什么区别，需要注意的是这一步，不要勾选**“Add Anaconda to my PATH enviroment variable”，我们后面会手动加入。

接下来就是等待了，安装结束后需要测试是否能正常使用，打开CMD输入“conda”命令，发现提示“'conda' is not recognized as an internal or external command, operable program or batch file.”

这是由于我们没有配置环境变量的原因。

2.配置Anaconda环境变量

我们点击左下角搜索栏搜索“环境变量”

点击环境变量

选择“Path”，点击“编辑”

将以下三个路径加入，注意这里要换成你自己的安装路径。

• C:\Users\t-yaoguo\AppData\Local\Continuum\anaconda3
• C:\Users\t-yaoguo\AppData\Local\Continuum\anaconda3\Scripts
• C:\Users\t-yaoguo\AppData\Local\Continuum\anaconda3\Library\bin

然后点击“确定”保存，这回再测试一下，再cmd中输入“conda -V”，能正常显示版本号，证明已经配置好了。

第二步：安装TensorFlow-GPU

打开tensorflow官网：https://www.tensorflow.org/install/install_windows#installing_with_anaconda

跟着操作步骤走就可以了。

1.创建conda环境

通过调用下列命令，创建一个名为“tensorflow”的conda环境：

conda create -n tensorflow pip python=3.5

等待相应包的安装，如果国内网络太慢的话，可以为conda设置清华源，这样速度能快一点，具体配置过程，网上查一下吧，此处不再讲述。如果看到这样的提示，就证明conda环境创建成功。

2.激活环境

通过以下命令激活conda环境：

activate tensorflow

这样就进入了刚创建的“tensorflow”环境。

3.安装tensorflow-gpu

安装GPU版本的tensorflow需要输入以下命令：

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

如果只需要安装CPU版本的tensorflow则输入以下命令：

pip install --ignore-installed --upgrade tensorflow

这样就安装成功了。

注意：务必注意一点，在安装完tensroflow后，由于我们是新创建的conda环境，该环境中基本上是空的，有很多包和IDE并没有安装进来，例如“Ipython”，“spyder”此时如果我们在该环境下打开spyder/Ipyton/jupyter notebook等，会发现其实IDE使用的kernel并不是新建立的这个环境的kernel，而是“base”这个环境的，而“base”环境中我们并没有安装tensorflow，所以一定无法import。这也就是为什么有很多人在安装好tensorflow后仍然在IDE里无法正常使用的原因了。

通过以下命令安装Anaconda基础包

conda install anaconda

这回，我们测试一下是否能import tensorflow

程序报错，这是由于我们虽然安装好了tensorflow-gpu，但是还需要安装CUDA Toolkit 和 cuDNN。

第三步：安装CUDA Toolkit + cuDNN

1.查看需要安装的CUDA+cuDNN版本

注意，tensorflow是在持续更新的，具体安装的CUDA和cuDNN版本需要去官网查看，要与最新版本的tensorflow匹配。

点击查看最新tensorflow支持的CUDA版本：https://www.tensorflow.org/install/install_windows#requirements_to_run_tensorflow_with_gpu_support

现在（PS：此博客书写日期 2018年7月5日）最新版tensorflow支持的是 CUDA® Toolkit 9.0 + cuDNN v7.0，一定注意，安装的版本一定一定要正确，不要看NVIDIA官网推出CUDA® Toolkit 9.2了就感觉最新版的更好，而安装最新版，这样很可能会导致tensorflow无法正常使用，所以一定要跟着tensorflow 官网的提示来。

2.下载CUDA + cuDNN

在这个网址查找CUDA已发布版本：https://developer.nvidia.com/cuda-toolkit-archive

进入下载界面

下载好CUDA Toolkit 9.0 后，我们开始下载cuDnn 7.0，需要注意的是，下载cuDNN需要在nvidia上注册账号，使用邮箱注册就可以，免费的。登陆账号后才能下载。

cuDNN历史版本在该网址下载：https://developer.nvidia.com/rdp/cudnn-archive

这样，我们就下载好了 CUDA Toolkit 9.0 和 cuDnn 7.0，下面我们开始安装。

3.安装 CUDA Toolkit 9.0 和 cuDnn 7.0

至关重要的一步：卸载显卡驱动

由于CUDA Toolkit需要在指定版本显卡驱动环境下才能正常使用的，所以如果我们已经安装了nvidia显卡驱动（很显然，大部分人都安装了），再安装CUDA Toolkit时，会因二者版本不兼容而导致CUDA无法正常使用，这也就是很多人安装失败的原因。而CUDA Toolkit安装包中自带与之匹配的显卡驱动，所以务必要删除电脑先前的显卡驱动。

安装

此处选择“自定义（高级）”

勾选所有

一路通过即可。

接下来，解压“cudnn-9.0-windows10-x64-v7.zip”，将一下三个文件夹，拷贝到CUDA安装的根目录下。

这样CUDA Toolkit 9.0 和 cuDnn 7.0就已经安装了，下面要进行环境变量的配置。

配置环境变量

将下面四个路径加入到环境变量中，注意要换成自己的安装路径。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp

到此，全部的安装步骤都已经完成，这回我们测试一下。

第四步：测试

1.查看是否使用GPU

import tensorflow as tf
tf.test.gpu_device_name()

2.查看在使用哪个GPU

from tensorflow.python.client import device_lib
device_lib.list_local_devices()

好了大功告成！

希望这篇博文能给大家带来帮助，如有任何错误，欢迎指教交流。