前言

安裝Tensorflow-gpu 與 keras的時候，一定先要注意版本的對應，不然很容易出錯，在看的時候，建議先看完整篇文章再上手，

一、環境+配置

本機環境

顯卡：RTX3050Ti（notebook）

Windows10專業版

NVIDIA 511.65

網上查到的可行版本

（跟本人所使用的有所偏差）

python3.7.0+CUDA11.6.0+cuDNN8.3.2+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA11.3.1+cuDNN8.2.1+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA10.1.2+cuDNN7.6.5+tensorflow2.2.0+keras 2.3.1

本人所安裝CUDA、CUDNN、tensorflow-gpu、keras 版本

cuda_11.6.1_511.6

cudnn_8.3.2.44

tensorflow-gpu 2.7.0

keras 2.7.0

即最終本人所用環境為

python3.8.12 + CUDA 11.6.1 + cuDNN 8.3.2 + tensorflow 2.7.0 + Keras 2.7.0

tensorflow與CUDA、cuDNN關系查詢

https://tensorflow.google.cn/install/source_windows?hl=en#gpu

CUDA版本選擇

NVIDIA 與CUDA的版本對應關系

參照表格選擇

首先，在桌面【右鍵】-打開【NVIDIA 控制面板】-選擇【幫助】-【系統資訊】，再打開的系統資訊中選擇【組件】，即可看到本機GPU對應支持的CUDA版本：

組件3D設定重點NVCUDA64.DDL 后面的產品名稱

或者可以在終端輸入命令nvidia-smi查看GPU驅動版本

CUDNN版本選擇

CUDA與CUDNN的版本對應關系

根據CUDA的版本進行安裝，下載壓縮包版本

二、安裝教程

2.1 CUDA安裝

雙擊cuda_11.6.1_511.65_windows.exe，進入安裝程式：

這里是臨時選擇臨時提取的檔案夾，不用管直接ok：

提取完畢，程式會檢查兼容性：

選擇【同意并繼續】，選擇【自定義】安裝：

在CUDA中取消勾選Visual Studio Integration，這是VS的插件，容易導致安裝失敗，我因為用pycharm所以就不勾選了

后面還有三個選項，NVIDIA GeForce Experience 是顯卡驅動程式，如果你已經更新了顯卡驅動版本，就不用選了，因為每個CUDA版本里面都含顯卡驅動程式，如果你每次都選相當于每次更新顯卡驅動版本，Other components 是聲卡等設備驅動程式，我電腦有裝了，不用選，最后一個也是，（大家可自己根據自身情況）

然后選擇安裝路徑，點擊安裝，本地版的很快，在線版的需要聯網下載安裝，慢些，

等待安裝完畢，可以檢查是否安裝成功，在終端鍵入命令nvcc -V，查看CUDA版本，能顯示則成功了，

2.2 CUDNN安裝

cuDNN下載好后解壓，把里面的三個檔案夾的內容分別移到CUDA安裝目錄里對應的同名檔案夾里面，其中include和bin檔案夾可以直接移動，lib檔案夾內容要移動到lib\x64目錄下

然后復制到CUDA的安裝路徑即可，我的是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6（注意！不是覆寫，是添加進去對應的檔案夾里面去）

lib 是存在 lib/x64 里面

最后，配置下系統環境即可：
右鍵【此電腦】又名計算機—【屬性】—【高級系統設定】-【環境變數】-下半部分【系統變數】里找到【Path】，雙擊打開（或者點編輯）

補全如下環境變數，如果你之前安裝成功了CUDA，2、3潭訓境是系統已經自動添加了的，

2.3 TensorFlow-gpu 2.7安裝

2.3.1 conda創建虛擬環境

• 查看環境

conda info --env

• 創建環境（例子為創建一個叫做tf27，python版本3.8的環境）

conda create -n tf27 python=3.8

2、洗掉環境（例子為洗掉名為tf27的環境）

conda remove -n tf27 --all

3、激活環境（例子為激活名為py36的環境）

activate tf27

4、退出環境

deactivate

5、從清華鏡像源下載（例子為下載numpy）會顯著提升下載速度

pip install numpy -i https://pypi.tuna.tsinghua.edu.cn/simple

6、pip/anaconda直接修改鏡像源，不用每次在后面加鏈接（Windows）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --set show_channel_urls yes

后面直接安裝即可

pip install tensorflow-gpu==2.7.0

其次，進入pycharm，創建.py檔案進行測驗：

import tensorflow as tf
print(tf.__version__)
print('GPU', tf.test.is_gpu_available())

![在這里插入圖片描述](https://img-blog.csdnimg.cn/554ef028f3fc4f57b8d50118312ff8e6.png#pic_center

輸出版本號，和True

安裝成功！

三、名詞解釋

TensorFlow：一個開源軟體庫，用于各種感知和語言理解任務的機器學習，

Keras：一個用Python撰寫的開源神經網路庫，能夠在TensorFlow、Microsoft Cognitive Toolkit、Theano或PlaidML之上運行，Keras旨在快速實作深度神經網路，專注于用戶友好、模塊化和可擴展性，

CUDA：統一計算架構，專為GPU同時處理多重任務而設計，大規模的并行計算處理，十分適合對圖形處理、語音識別、視頻等領域進行分析渲染，

cuDNN：深度神經網路庫，針對CUDA優化，實作高性能GPU加速，

附錄

網上查到的可行版本

python3.7.0+CUDA11.6.0+cuDNN8.3.2+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA11.3.1+cuDNN8.2.1+tensorflow2.7.0+Keras2.7.0
python3.7.0+CUDA10.1.2+cuDNN7.6.5+tensorflow2.2.0+keras 2.3.1

1. 顯卡算力和顯卡驅動版本

顯卡算力決定你的CUDA版本區間：
NIVDIA顯卡算力官方查詢

2.顯卡驅動版本更新

顯卡驅動版本，在NVIDIA控制面板的系統資訊可查詢到，建議更新到最新版本，這樣就不會因驅動版本而下載CUDA版本受限，
NVIDIA官方顯卡驅動更新

更新顯卡驅動程式，建議在選項 Download Type 選 Studio Driver（SD），因為對深度學習有利，

NVIDIA官方 CUDA與顯卡驅動版本對應表查詢

?

3.tensorflow對應的CUDA、cuDNN和python版本

官方查詢 tensorflow-gpu與CUDA cuDNN Python版本關系

?

參考

https://blog.csdn.net/typefree/article/details/117998734

https://blog.csdn.net/jiuzixu/article/details/122518914