TensorFlow详细配置(Python版本)

文章目录

• TensorFlow详细配置(Python版本)
• • 安装Python环境（Python全家桶 Anaconda3）
  • 环境配置
  • TensorFlow官网对照表
  • CUDA安装
  • cuDNN 安装
  • TensorFlow安装
  • Jupyter Notebook使用方法
  • 其他问题

TensorFlow详细配置(Python版本)

安装Python环境（Python全家桶 Anaconda3）

• 最新版下载地址： download

• 旧版本下载地址：download
  

• 下载后直接安装
  
  

一直下一步，安装完成。

环境配置

测试是否安装成功：
打开cmd
输入指令: python //查询Python版本 和
输入指令: conda --version或者输入conda info也行 //查询conda信息

简单过程如下

• 1. 改变anaconda默认python版本：首先创建一个名为python39的环境，指定的Python版本是3.9。

在命令行里输入： conda create --name python39 python=3.9（默认路径安装，一般都是C:\盘)

conda create --prefix=D:\ProgramData\anaconda3\envs\python39 python=3.9（指定路径安装)

• 2、等待等待再等待！ 等待更新完，然后输入以下命令。 （因为要把python3.9的相关包下载下来，所以比较慢，请耐心等待）

• 3、
  

• 要激活该环境，请使用：conda activate D:\ProgramData\anaconda3\envs\python39

• 停用该环境，请使用： conda deactivate D:\ProgramData\anaconda3\envs\python39

• 4、python --version 可以看到，系统已经切换到了3.9的环境
  

4、对虚拟运行环境的补充操作

（1）如果要删除我们配置的新环境，则：
conda env remove -n env_name (env_name：指要删除的环境的名字) 例：conda env remove -n TF2.9 （删除TensorFlow2.9版本）
（2）显示所有环境：
conda env list
（3）当分享代码的时候，同时也需要将运行环境分享给大家，执行如下命令可以将当前环境下的 package 信息存入名为 environment 的 YAML 文件中。
conda env export > environment.yaml
（4）当执行他人的代码时，也需要配置相应的环境。这时你可以用对方分享的 YAML 文件来创建一摸一样的运行环境。
conda env create -f environment.yaml

改变Anaconda 默认Python版本(注意：前提是要先下载其他Python版本，上面已介绍)

TensorFlow官网对照表

地址：https://tensorflow.google.cn/install/source_windows?hl=zh-cn

CPU版本：

GPU版本：

CUDA安装

在显卡驱动被正确安装的前提下，在命令行里输入nvidia-smi.exe，效果如图所示

注意：可以看到显示CUDA Version为11.7，说明该显卡最高支持到11.7, 你也可以选择更低的版本比如 11.6,11.5更低的版本

cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive

安装cuda：
一直下一步安装即可，安装完成后。

现在需要重启电脑，然后Win+R进入cmd界面，输入nvcc -V，出现如下界面，代码cuda已经安装成功了。
注：必须要重启电脑，否则运行nvcc -V 会找不到命令。

cuDNN 安装

cuDNN下载地址：
https://developer.nvidia.com/rdp/cudnn-archive

对下载的cuDNN压缩包解压后出现如下三个文件夹子，

配置环境变量：

Windows10检查Cuda和cuDNN是否安装成功？

1 .首先win+R进入CMD，在命令行输入nvcc -V，如下图所示，则表示cuda已经安装成功。

2 .进入到cuda的安装路径，C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite，找到如下两个.exe文件：

首先执行：deviceQuery.exe，查看是否出现如下界面：

然后执行bandwidthTest.exe，出现如下界面，则代代表cuDNN也安装成功。

cuda和cudnn完整安装步骤地址：
https://blog.csdn.net/jhsignal/article/details/111401628

tensorflow官网安装教程
https://tensorflow.google.cn/install/pip?hl=zh-cn

TensorFlow安装

更新最新pip指令
pip install --upgrade pip
显示tensorflow
pip show tensorflow
卸载tensorflow
pip uninstall tensorflow

安装TensorFlow-GPU
根据上文中的TensorFlow-GPU版对照表，我们可以选择安装TensorFlow-GPU2.6.0。

这里再次提醒自行搭配版本的读者，一定要看清对照表内python = 3.9、tensorflow-gpu = 2.6、cudnn = 8.1、cuda=11.2这四者之间的版本号是否匹配！！！若版本不匹配只能删除重下！！！

这里博主选择的是TensorFlow-GPU2.6.0这个版本。选择好后进入cmd,输入命令
conda create -n tf2

此时在anaconda内创建一个名为tf2的虚拟环境，输入命
conda activate tf2

进入tf2环境内，创建环境后输入以下命令
gpu：pip install tensorflow-gpu==2.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
cpu：pip install tensorflow==2.6.0 -i https://pypi.tuna.tsinghua.edu.cn/simple
其中-i 参数指明了下载源，这里依然使用了清华的镜像节点，以获得较快的下载速度。

当然也可以使用conda命令来下载tensorflow,只需要输入
conda install tensorflow-gpu==2.6.0

gpu版本安装：

cpu版本安装：

测试：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))
print(tf.config.list_physical_devices('CPU'))

tf.test.is_gpu_available() #true （表示：优先使用GPU）

Jupyter Notebook使用方法

输入一些代码执行测试：

import tensorflow as tf
print(tf.__version__)
print(tf.config.list_physical_devices('GPU'))
print(tf.config.list_physical_devices('CPU'))

tf.test.is_gpu_available() #true （表示：优先使用GPU）



x=[[1,]]
m=tf.matmul(x,x)
print(m)

其他问题

import tensorflow as tf
执行后->遇到的错误：

Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\__init__.py", line 41, in <module>
    from tensorflow.python.tools import module_util as _module_util
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\python\__init__.py", line 40, in <module>
    from tensorflow.python.eager import context
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\python\eager\context.py", line 32, in <module>
    from tensorflow.core.framework import function_pb2
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\core\framework\function_pb2.py", line 16, in <module>
    from tensorflow.core.framework import attr_value_pb2 as tensorflow_dot_core_dot_framework_dot_attr__value__pb2
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\core\framework\attr_value_pb2.py", line 16, in <module>
    from tensorflow.core.framework import tensor_pb2 as tensorflow_dot_core_dot_framework_dot_tensor__pb2
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\core\framework\tensor_pb2.py", line 16, in <module>
    from tensorflow.core.framework import resource_handle_pb2 as tensorflow_dot_core_dot_framework_dot_resource__handle__pb2
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\core\framework\resource_handle_pb2.py", line 16, in <module>
    from tensorflow.core.framework import tensor_shape_pb2 as tensorflow_dot_core_dot_framework_dot_tensor__shape__pb2
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\tensorflow\core\framework\tensor_shape_pb2.py", line 36, in <module>
    _descriptor.FieldDescriptor(
  File "C:\Users\qq978\AppData\Roaming\Python\Python39\site-packages\google\protobuf\descriptor.py", line 561, in __new__
    _message.Message._CheckCalledFromGeneratedFile()
TypeError: Descriptors cannot not be created directly.
If this call came from a _pb2.py file, your generated code is out of date and must be regenerated with protoc >= 3.19.0.
If you cannot immediately regenerate your protos, some other possible workarounds are:
 1. Downgrade the protobuf package to 3.20.x or lower.
 2. Set PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python (but this will use pure-Python parsing and will be much slower).

More information: https://developers.google.com/protocol-buffers/docs/news/2022-05-06#python-updates

chatgpt回答：

错误提示表明您使用的TensorFlow包存在问题。似乎由TensorFlow使用的Protocol Buffers（protobuf）生成的代码已过时，并且与当前安装的TensorFlow包版本不兼容。

错误提示提供了一些可能的解决方案：

1. 重新生成生成的代码：如果错误发生在_pb2.py文件中，您需要使用至少3.19.0版本的`protoc`（Protocol Buffers编译器）重新生成该文件。通常，这涉及运行类似于`protoc --python_out=. your_proto_file.proto`的命令，以从.proto文件生成Python代码。确保您安装了最新版本的`protoc`。

2. 降级protobuf包：如果立即无法重新生成代码，可以尝试将protobuf包降级到3.20.x版本或更低版本。您可以使用像pip这样的软件包管理器来安装特定版本的protobuf包，例如：`pip install protobuf==3.20.0`。

3. 使用纯Python解析：将环境变量`PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION`设置为`python`。这种解决方法使用纯Python解析Protocol Buffers，可能速度较慢，但可以帮助绕过错误。您可以在运行Python代码之前设置该变量，例如：`export PROTOCOL_BUFFERS_PYTHON_IMPLEMENTATION=python`。

请确保按照错误消息中的说明进行操作，并参考TensorFlow文档中提供的链接以获取有关建议的解决方法的更多信息。

解决方法：pip install protobuf==3.20.0