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>   #&#x6CE8;&#x91CA;&#xFF1A;<>&#x5C16;&#x62EC;&#x53F7;&#x53BB;&#x6389;&#x4E4B;&#x540E;&#xFF0C;&#x8F93;&#x5165;kernel &#x540D;&#x5B57;&#x5373;&#x53EF;&#x5220;&#x9664;
</名字>

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

Original: https://blog.csdn.net/weixin_47198051/article/details/122988415
Author: x86bit
Title: 安装Tensorflow（gpu版本）