整体流程概述
TensorFlow 与 CUDA Toolkit
TensorFlow 是一个基于数据流图的深度学习框架
- TensorFlow是一个基于数据流图的深度学习框架，它使用张量（Tensor）作为数据的基本单位，在GPU上进行张量运算可以极大地提高深度学习模型的训练和推理速度。而CUDA则提供了在GPU上执行高性能并行计算所需的API和运行时环境，能够实现深度学习任务的加速。
CUDA 充分利用 NIVIDIA GPU 的计算能力
- 安装 TensorFlow 之前需要首先安装 CUDA，准确的说是 CUDA Toolkit。是因为 TensorFlow 使用 CUDA 作为其后端计算引擎。CUDA 是由 NVIDIA 提供的并行计算平台和编程模型，可以充分利用 NVIDIA GPU 的计算能力，实现高性能的并行计算。
CUDA Toolkit
- 即 TensorFlow 默认会安装与系统和 GPU 兼容的版本，这需要依赖 CUDA Toolkit。CUDA Toolkit 包含 GPU 驱动程序、CUDA Runtime 库和相关工具，使 TensorFlow 能够与 NVIDIA GPU 进行交互并利用其计算能力。
cuDNN
-
在安装 TensorFlow 之前需要安装 cuDNN（CUDA Deep Neural Network library），是因为 TensorFlow 使用 cuDNN 来加速深度神经网络的计算。cuDNN 是由 NVIDIA 开发的用于深度学习的 GPU 加速库，它针对深度神经网络的计算任务进行了高度优化，可以显著加快训练和推理过程。
-
TensorFlow 通过调用 cuDNN 的 API 来利用 GPU 上的硬件加速功能，特别是在卷积操作等深度学习任务中，cuDNN 能够提供很大的性能提升。在没有 cuDNN 的情况下，TensorFlow 会使用 CPU 来执行这些计算任务，但是由于 CPU 的计算速度相对较慢，处理大规模的深度学习模型时可能会非常耗时。
安装详细流程
整理流程一：安装 CUDA Toolkit
步骤一：获取CUDA版本信息
桌面 > 右键 >
NVIDIA控制面板> 查看系统信息> 点击组件> 查看NVCUDA64.DLL的 CUDA版本 > 成功获取CUDA版本信息；
步骤二：下载安装 CUDA Toolkit
访问 CUDA Toolkit Archive https://developer.nvidia.com/cuda-toolkit-archive 下载对应版本的
CUDA Toolkit，根据步骤一中的 CUDA 版本信息（例如我的CUDA版本为12.0.134），选择下载 Toolkit 版本：
并开始下载，耐心等待10分钟；
步骤三：按照默认步骤安装
按照向导进行安装即可；
步骤四：检查CUDA安装成功
安装完成后，你可以在命令提示符或 PowerShell 中输入以下命令来验证 CUDA 是否成功安装：
nvcc -V
或者同：
nvcc --version
如果安装成功，将会输出 CUDA 的版本号。下面我们进行安装 cuDNN；
整体流程二：安装cuDNN
步骤一：下载 cuDNN
-
访问 cuDNN 下载网址：https://developer.nvidia.com/rdp/cudnn-download；
-
出现下图界面说明你需要首先登陆你的 NIVIDIA 账户；
- 出现如下界面，需要根据本机的 CUDA 版本选择安装，如何获取本机的 CUDA 版本？如下：
获取CUDA版本信息：
桌面 > 右键 >NVIDIA控制面板> 查看系统信息> 点击组件> 查看NVCUDA64.DLL的 CUDA版本 > 成功获取CUDA版本信息，即12.x
- 根据上述获得的 CUDA 版本信息，选择下载
12.x版本的cuDNN；
步骤二：解压缩下载的 zip，并将其中的文件复制到 CUDA Toolkit 的相应目录
- 解压缩后应该包含三个文件夹和一个文件：
bin、include、lib、LICENSE
- 将三个文件夹中的文件分别复制到各自的 CUDA Toolkit 目录中
-
首先打开
bin文件夹：
复制全部文件，粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin 文件夹中； -
然后打开
include文件夹：
同样复制全部文件，粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\include 文件夹中； -
最后打开
lib\x64文件夹：
将全部文件粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\lib\x64 文件夹中；
-
步骤三：配置环境变量
- 确保将 CUDA 和 cuDNN 的安装路径添加到系统的环境变量中，这样 TensorFlow 才能正确地找到这些库和头文件；
- cuDNN 中不会默认配置环境变量，需要读者手动配置环境变量：
- 首先打开 环境变量 path 栏目：
- 将解压缩后的 cuDNN 文件夹的
\bin绝对地址复制粘贴：
C:\Users\xhong\Downloads\cudnn-windows-x86_64-8.9.3.28_cuda12-archive\cudnn-windows-x86_64-8.9.3.28_cuda12-archive\bin
完成！
cuDNN的完成检查需要等待下一步 tensorflow-gpu 安装完成后；
整体流程三：安装 TensorFlow-gpu
- 在安装完 cuDNN 后，再安装 TensorFlow 时，TensorFlow 将能够识别到你的 cuDNN 并自动与之集成，从而在 GPU 上运行深度学习任务时获得显著的加速效果。总之，安装cuDNN是为了充分发挥GPU的计算能力，提高TensorFlow的性能和效率，特别是在处理复杂的深度学习模型时，cuDNN的优化可以为你节省大量时间。
步骤一：Anaconda中创建新的环境
-
建议在
Anaconda Prompt中创建一个新的环境，因为我的base环境已经安装好了gpu版本的torch，而且如果都放在一个环境中更新环境会比较耗时； -
创建环境
tensorflowconda create -n tensorflow pip python=3.8 -
激活环境
tensorflowactivate tensorflow
步骤二：查看下载 tensorflow-gpu 的版本号
https://www.tensorflow.org/install/source_windows?hl=zh-cn
网址最下方有一个表格，列有 GPU 的 CUDA、cuDNN 对照的安装的 tensorflow-gpu 版本号
-
很明显，根据我的 cuDNN（8.9.3.28） 与 CUDA（12.0.134） 版本的短板效应，我稳妥选择
tensorflow_gpu-2.4.0版本，建议读者到这里也这么选择，稳定能用就是了； -
输入命令：
pip install --ignore-installed --upgrade tensorflow_gpu==2.4.0 # 注意将2.4.0替换为你的版本号
等待安装完成！
步骤三：检查整体流程安装成功
-
打开 Pycharm，记得将环境从 base 切换到刚刚创建配置的 tensorflow：
import tensorflow as tf # 检查是否有可用的 GPU 设备 if tf.config.list_physical_devices('GPU'): print('GPU可用') else: print("GPU不可用")
-
出现上图所示 True，即完成安装步骤，若出现
curand64_10.dll is not found等标识，即说明下载安装相关 CUDA Toolkit 版本出现意外错误，解决办法为通过将文件中已含有的curand64_11.dll文件重命名可解决问题，如下图所示：
-
bin文件目录地址为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin
-
安装 CUDA 后，再安装 TensorFlow 时，TensorFlow 将会自动与 CUDA 进行集成，并在 GPU 上利用 CUDA 的功能来加速深度学习任务。这样，TensorFlow 能够更高效地执行张量计算，从而显著提高模型训练和推理的速度。文章来源：https://www.toymoban.com/news/detail-641020.html
步骤四：检查 cuDNN 安装成功可用
import tensorflow as tf
# 检查TensorFlow-gpu是否可用
print("TensorFlow-gpu available:", tf.test.is_gpu_available())
# 检查cuDNN是否可用
print("cuDNN version:", tf.config.list_physical_devices('GPU'))
完结撒花！！！！~~~~文章来源地址https://www.toymoban.com/news/detail-641020.html
到了这里，关于【TensorFlow】P0 Windows GPU 安装 TensorFlow、CUDA Toolkit、cuDNN的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网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TOY模板网！
