win11電腦安裝 tensorflow-GPU+cuda11

前言

我新買的電腦是AMD的cpu+NVIDIA的3050GPU想試一試這個電腦跑深度學習，就安裝一下tensorflow記錄一下

安裝Anconda

這個往上下載默認安裝即可，不做描述

使用命令行新建一個tensorflow的環境

conda create --name tf python=3.7

安裝時候有一個需要確認輸入 y即可

創建完成切換到創建的環境中

conda activate tf

然后使用豆瓣源pip下載tensorflow2.7相關的依賴包，tensorflow1.15版本以上就不需要區分普通版和Gpu版本的了，可以直接安裝，并且keras在安裝時也會一并安裝下來。

pip install tensorflow==2.7.0 -i https://pypi.douban.com/simple/

安裝cuda

CUDA（Compute Unified Device Architecture），是顯卡廠商NVIDIA推出的運算平臺。 CUDA是一種由NVIDIA推出的通用并行計算架構，該架構使GPU能夠解決復雜的計算問題。 和中央處理器（Central Processing Unit, CPU）相對，圖形處理器（Graphics Processing Unit, GPU）是顯卡的核心芯片。而cuda正是暴露了英偉達開發的GPU的編程接口。

這里是cuda的歷史版本，選擇自己需要的版本號安裝

cuda歷史版本

我選擇的是11.52版本

之后我是win11版本的本地安裝不要選錯了，如果想跟我一樣可以點卡以下鏈接即可

https://developer.nvidia.com/cuda-11-5-2-download-archive?target_os=Windows&target_arch=x86_64&target_version=11&target_type=exe_local

然后默認c盤路徑安裝，選擇自定義安裝

看看自己電腦的當前版本跟新版本的版本號，如果自己電腦比較新可以不用更新取消勾選，我這里比較舊就更新了一下，之后一路下一步安裝

之后輸入如下

nvcc -V

即可看到版本號就代表安裝成功了

Cudnn的安裝

NVIDIA cuDNN是用于深度神經網絡的GPU加速庫。它強調性能、易用性和低內存開銷。NVIDIA cuDNN可以集成到更高級別的機器學習框架中，如谷歌的Tensorflow、加州大學伯克利分校的流行caffe軟件。簡單的插入式設計可以讓開發人員專注于設計和實現神經網絡模型，而不是簡單調整性能，同時還可以在GPU上實現高性能現代并行計算。
?CUDA看作是一個工作臺，上面配有很多工具，如錘子、螺絲刀等。cuDNN是基于CUDA的深度學習GPU加速庫，有了它才能在GPU上完成深度學習的計算。它就相當于工作的工具，比如它就是個扳手。但是CUDA這個工作臺買來的時候，并沒有送扳手。想要在CUDA上運行深度神經網絡，就要安裝cuDNN，就像你想要擰個螺帽就要把扳手買回來。這樣才能使GPU進行深度神經網絡的工作，工作速度相較CPU快很多。

進入Cudnn的官網去下載對應版本的cudnn版本：這里需要注冊賬號，自己注冊一下很快

cuDNN所有版本

我選擇對應的for cuda11.5的版本下載

選擇第zip文件

如果想跟我一樣可以點開下面鏈接，選擇第一個

https://developer.nvidia.com/rdp/cudnn-download

將該壓縮包解壓后得到一個名為“cuda”的文件夾，將其重命名為“cudnn”。

如果剛剛默認安裝的可以在這個路徑下找到如下文件

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5

將cudnn整體復制進去

之后編輯環境變量,將以下四個變量編輯到Path中

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\libnvvp C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\extras\CUPTI\lib64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.5\cudnn\bin

注意上移到最上面

測試

import tensorflow as tf import timeitwith tf.device('/cpu:0'):cpu_a = tf.random.normal([10000, 1000])cpu_b = tf.random.normal([1000, 2000])print(cpu_a.device, cpu_b.device) with tf.device('/gpu:0'):gpu_a = tf.random.normal([10000, 1000])gpu_b = tf.random.normal([1000, 2000])print(gpu_a.device, gpu_b.device) def cpu_run():with tf.device('/cpu:0'):c = tf.matmul(cpu_a, cpu_b)return c def gpu_run():with tf.device('/gpu:0'):c = tf.matmul(gpu_a, gpu_b)return c # warm up cpu_time = timeit.timeit(cpu_run, number=10) gpu_time = timeit.timeit(gpu_run, number=10) print('warmup:', cpu_time, gpu_time)cpu_time = timeit.timeit(cpu_run, number=10) gpu_time = timeit.timeit(gpu_run, number=10) print('run time:', cpu_time, gpu_time)

結果如下運行成功

/job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0 /job:localhost/replica:0/task:0/device:CPU:0 warmup: 0.6677898000000013 0.6471977999999972 run time: 0.6454234999999997 0.6467144000000005

總結

以上是生活随笔為你收集整理的win11+AMD的cpu+3060GPU电脑安装 tensorflow-GPU+cuda11+cudnn的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。