本文编写日期是：2023年4月. Python开发环境是Anaconda 3.10版本，具体Anaconda的安装这里就不赘述了，基础来的。建议先完整看完本文再试，特别是最后安装过程经验分享，可以抑制安装过程中一些奇怪的念头，减少走弯路。
目录
1. NVidia驱动安装
2. 安装CUDA Toolkit
3. 安装Tensorflow 2.10.1
4. 添加CUDNN加速包
5. 验证是否成功安装和调用GPU进行运算
6. 测试启用CUDNN加速器
7. Tensorflow 小结
8. 安装PyTorch
9. 检测PyTorch安装情况
10. PyTorch试运行
11. 安装过程经验分享和坑
1. NVidia驱动安装
首先确定你的电脑是N卡，也是英伟达的显卡，否则本文就不用看了。
在官网找到最新的驱动下载安装。
官方驱动 | NVIDIA
安装过程略过，全选，C盘安装。
安装完成后，CMD运行nvidia-smi，查看这个驱动支持的最高版本CUDA
或者入NVIDIA的控制面板查看：
也就是后面安装的CUDA版本，不能高于12.1
2. 安装CUDA Toolkit
安装之前，最好先安装好Microsoft的 Visual Studio
安装 Visual Studio | Microsoft Learn
安装守后选好CUDA版本，此处是入口：CUDA 工具包下载
但是，先别急着下载安装，注意了！！！！！！！！！！！！！！！！！！！！！
如果运行的Tensorflow框架，那么要看最新的Tensorflow支持什么版本的CUDA，再进行安装。
（至于多版本CUDA同时共存的方法，可参考这位大佬的文章：CUDA版本共存方法
个人经验，不要急着研究多版本问题，后面有环境需求了，再慢慢看。）
回到Tensorflow支持的CUDA版本问题。
在本文件的发布时刻，Tensorflow在Native Windows系统下，目前只支持到Tensorflow 2.10.1版本。意思就是：暂时不要了解太多，就安装到Tensorflow 2.10.1版本就够用了（目前还有2.11等版本）。具体原因，请读回官方文档：Tensorflow版本安装
注意需要转回英文页面，中文实在被阉割太多了。实在看不明白，复制出来翻译吧。原因简而言之就是Windows开始进军开源，在原生系统(Native Windows)下，整合出了一个Windows WSL2功能，也就是在Windows系统内，整合了Linux系统的功能。相当于不用再为了两种系统，在机器上做双系统了，但实用性上来说，只能说，能用吧。具体关于WSL2的，网上有很多资料，此处不多说。参考另一大佬：WSL2的安装使用
对应Tensorflow 2.10.1的版本，目前支持到CUDA 11.8.0版本，下载CUDA Toolkit 11.8.0后默认C盘全选安装（我C盘很大，哈哈，我有两条990 1T SSD。其实是懒得自定义，后面也容易出错）。
3. 安装Tensorflow 2.10.1
如果以前安装过其他版本的tensorflow，强烈建议使用以下命令卸载：
pip uninstall tensorflow # 卸载旧版本的tensorflow
pip uninstall tensorflow-intel # 卸载intel版本的tensorflow，一般没有
pip uninstall tensorflow-gpu #卸载老的GPU版本
tensorflow从2.x版本后已将CPU版和GPU版进行合并，所以不要使用pip install tensorflow-gpu了，成功了也是旧版本的。这使用以下命令进行安装：
pip install tensorflow=2.10.1
这里不用conda安装，也不要添加国内的镜像源，原因后面会说，速度会比较慢，但值得等待！
4. 添加CUDNN加速包
下载CUDA 11.8.0 版本的cuDNN加速包，版本是V8.8.1 for CUDA 11.x 官方地址在：cuDNN下载地址
下载后解压，将解压后的三个文件夹bin、lib、include复制到安装目录下，合并。
配置环境变量
以上可以看到CUDA 11.8.0安装完成后，已经设置在环境变量公有路径。
接下来配置CUDA和CUDNN的路径，去到PATH变量名下，点击编辑：
添加如图中所示的环境变量V11_8的5个变量，缺一不可，这里用的是短地址，默认安装路径下，为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
（对了，如果你看不到这个环境变量清单，只看到一行文本，那是因为你的第一个变量是个短地址，随便添加一个C:\或者把已有的长地址移到第一行，后保存重新打开就有了）
保存，建议重启电脑，可以先等会。
查算力，按照下图，CD到安装地址，运行deviceQuery.exe 。不要羡慕哥，没错，又在显摆4090了。
再运行 bandwidthTest.exe
以上两者都的结果都是PASS，则说明暂时配置成功。
5. 验证是否成功安装和调用GPU进行运算
1，如果以下代码运行得到如注释所示的结果，则证明安装成功。
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
#这一行输出至少是数量1，说明有1个显卡
print("CUDA Available:", tf.test.is_built_with_cuda())
#这一行要输出True
print("GPU Support:", tf.test.is_built_with_gpu_support())
#这一行也要输出True2，就算安装成功，也要运行一下以下代码，看计算过程会不会调用GPU：
tf.debugging.set_log_device_placement(True)
# Create some tensors
a = tf.constant([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0]])
b = tf.constant([[1.0, 2.0], [3.0, 4.0], [5.0, 6.0]])
c = tf.matmul(a, b)
print(c)如果显示的是如下图CPU字样，就很遗憾了，4090也没得得瑟，调用的还是CPU。如果结果有下图2中的GPU字样，那么恭喜，一次成功。
如果没有成功，先不急，说明系统有旧的版本或者安装版本还是不对，需要重新装过，本人也是经历了几次才装成功。
6. 测试启用CUDNN加速器
以上，说明已经成功安装Tensorflow2.10.1，成功调用CUDA，但，还不知道能不能成功启用CUDNN加速器。所以，用以下代码进行测试：
import os
os.environ["CUDA_VISIBLE_DEVICES"]="0"
import numpy as np
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Dropout, Conv2D, MaxPool2D, Flatten
from tensorflow.keras.datasets import mnist
from tensorflow.keras.utils import to_categorical
from tensorflow.keras.callbacks import TensorBoard
import time
from tensorflow.python.client import device_lib
def create_model():
model = Sequential()
model.add(Conv2D(32, (5, 5), activation='relu', input_shape=[28, 28, 1]))
model.add(Conv2D(64, (5, 5), activation='relu'))
model.add(MaxPool2D(pool_size=(2, 2)))
model.add(Flatten())
model.add(Dropout(0.5))
model.add(Dense(128, activation='relu'))
model.add(Dropout(0.5))
model.add(Dense(10, activation='softmax'))
return model
def compile_model(model):
model.compile(loss='categorical_crossentropy', optimizer="adam", metrics=['acc'])
return model
def train_model(model, x_train, y_train, batch_size=128, epochs=10):
tbCallBack = TensorBoard(log_dir="model", histogram_freq=1, write_grads=True)
history = model.fit(x_train, y_train, batch_size=batch_size, epochs=epochs, shuffle=True, verbose=2,validation_split=0.2, callbacks=[tbCallBack])
return history, model
if __name__ == "__main__":
print(tf.__version__)
print(device_lib.list_local_devices())
(x_train, y_train), (x_test, y_test) = mnist.load_data()
print(np.shape(x_train), np.shape(y_train), np.shape(x_test), np.shape(y_test))
x_train = np.expand_dims(x_train, axis=3)
x_test = np.expand_dims(x_test, axis=3)
y_train = to_categorical(y_train, num_classes=10)
y_test = to_categorical(y_test, num_classes=10)
print(np.shape(x_train), np.shape(y_train), np.shape(x_test), np.shape(y_test))
model = create_model()
model = compile_model(model)
print("start Time")
ts = time.time()
history, model = train_model(model, x_train, y_train, epochs=2)
print("Time consumption:", time.time() - ts)能够成功输出结果，则基本就是成功了。博主在跑这段程序的时候，Jupyter出现报错：The kernel appears to have died. It will restart automatically.
GPU也直接退出运算。
查看Jupyter后台，报错文为：Could not locate zlibwapi.dll. Please make sure it is in your library path!
查看官方文档，Installation Guide :: NVIDIA Deep Learning cuDNN Documentation ，意思是缺少zlibwapi.dll动态库文件，点击红色部分下载，但从Nvidia官网是无法成功下载的：
只能从Zlibdll官网下载：zlibwapi.dll下载，但是下载的时候要看清楚自己的系统是32位还是64位的，一般现在都是Intel EM64T，也就是英特尔64位系统， 点击下载。
下载后的文件如下：
分别复制文件到以下地址：
- zlibwapi.dll 复制到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
- zlibwapi.lib 复制到：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\lib\x64
博主一开始因为下载成了32位的文件包，复制进去后运行报错：Could not load library zlibwapi.dll. Error code 193. 英文能力需要提升啊，There看成It.
7. Tensorflow 小结
以上是关于Tensorflow2.0在N卡上运行的具体配置，基本上是当前在原生Windows系统下，所能安装的最高版本的程序，各个程序的版本如下，一定要安装对版本：
- Tensorflow 2.10.1
- CUDAToolkit 11.8
- CUDNN 8.8.1
- Python 3.10 — Anaconda
8. 安装PyTorch
接下来，安装另一个图像处理框架：PyTorch
前面设置对了，这个安装相对就比较顺利了，进入官网：PyTorch
按照自己的系统配置以及安装 的CUDA版本，运行安装即可：
pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu1189. 检测PyTorch安装情况
接着运行检测程序：
import torch
print(torch.cuda.is_available())
print(torch.__version__)运行结果如下，说明PyTorch也成功调用显卡。
10. PyTorch试运行
再运行测试程序：
import time
import torch
import torchvision
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
device = torch.device("cuda")
train_data = torchvision.datasets.CIFAR10('../dataset', True, transform=torchvision.transforms.ToTensor(), download=True)
test_data = torchvision.datasets.CIFAR10('../dataset', False, transform=torchvision.transforms.ToTensor(), download=True)
train_data_size = len(train_data)
test_data_size = len(test_data)
print("训练集长度:{}, 测试集长度:{}".format(train_data_size, test_data_size))
# 用 DataLoader加载数据集
train_dataloader = DataLoader(train_data, batch_size=64)
test_dataloader = DataLoader(test_data, batch_size=64)
# 创建网络模型
class Model(nn.Module):
def __init__(self):
super(Model, self).__init__()
self.model = nn.Sequential(
nn.Conv2d(3, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 32, 5, 1, 2),
nn.MaxPool2d(2),
nn.Conv2d(32, 64, 5, 1, 2),
nn.MaxPool2d(2),
nn.Flatten(),
nn.Linear(64*4*4, 64),
nn.Linear(64, 10)
)
def forward(self, x):
x = self.model(x)
return x
model = Model()
model.to(device)
# 损失函数
loss_fn = nn.CrossEntropyLoss()
loss_fn.to(device)
# 优化器
learning_rate = 0.01 # 1e-2 = 10^-2
optimizer = torch.optim.SGD(model.parameters(), lr=learning_rate)
# 设置训练网络的参数
total_train_step = 0 # 训练次数
total_test_step = 0 # 测试次数
epoch = 10 # 训练轮数
# 添加tensorboard
writer = SummaryWriter("../logs_train")
for i in range(epoch):
print("--------------第{}轮训练开始---------------".format(i+1))
# 训练开始
model.train()
for data in train_dataloader:
if total_train_step % 100 == 1:
start_time = time.time()
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
loss = loss_fn(outputs, targets)
# 优化器优化模型
optimizer.zero_grad()
loss.backward()
optimizer.step()
total_train_step += 1
if total_train_step % 100 == 0:
end_time = time.time()
print("训练次数:{}，loss:{:.3f}，time:{:.3f}".format(total_train_step, loss.item(), end_time-start_time))
writer.add_scalar('train_loss', loss.item(), total_train_step)
# 测试开始
model.eval()
total_test_loss = 0
total_accuracy = 0 # 整体正确预测的个数
with torch.no_grad(): # 清空梯度
for data in test_dataloader:
imgs, targets = data
imgs = imgs.to(device)
targets = targets.to(device)
outputs = model(imgs)
loss = loss_fn(outputs, targets)
total_test_loss += loss
accuracy = (outputs.argmax(1) == targets).sum()
total_accuracy += accuracy
print("测试集上的平均loss: {:.3f}".format(total_test_loss/len(test_dataloader)))
print("整体测试集上的正确率:{:.3f}".format(total_accuracy/test_data_size))
writer.add_scalar('test_loss', total_test_loss, total_test_step)
writer.add_scalar('test_accuracy', total_accuracy/test_data_size, total_test_step)
total_test_step += 1
# 保存训练模型
# torch.save(model, "../model_data/model_{}.pth".format(i+1))
if i % 100 == 0:
torch.save(model.state_dict(), "../model_data/model_{}.pth".format(i + 1))
print("模型已保存！")
writer.close()速度简直飞起：
11. 安装过程经验分享和坑
以上，就是所有的安装过程，其实过程并不像上面写的这么顺利：
1. 关于版本的问题由于一开始太过兴奋，直接下载了CUDA12.1安装，后面发现在Tensorflow2.10.1无法运行CUDA12.1，又下载了CUDA11.8，再后面又研究了怎么双版本CUDA，12.1与11.8的共存方法，并做了设置。 结果一直检测不到GPU。
2. 过程中还卸载了Tensorflow，重新安装 Tensorflow。还在pip和conda的安装方式下纠结。一开始安装的是Tensorflow2.10.0，卸载又重新安装，结果在重新安装过程中按了退出，导致整个Tensorflow的库坏掉，不得不重新来过。
3. 最后的解决方法是：先卸载CUDA 12.1，以及删除对应的复制的CUDNN文件，同时删除设置的环境变量。然后卸载Anaconda。清理一下清册表，重启。
4. 重新安装一次CUDA 11.8, 安装之前需要安装微软的Visual Studio.安装教程如安装 Visual Studio | Microsoft Learn
5. 重新安装pip 安装Tensorflow 2.10.1，个人不太喜欢用Conda安装，Anaconda有时没有最新的文件包，所以还是选择从Pypi源下载，但是速度超级慢，用了5个小时，开机过夜下载完的。这里特别要强调的是，对于这些比较大的而且停更的关键库，最好不要用国内镜像源，虽然飞快，但博主中间试过一次，还是会报错是的，库不完全。而且现在很多国内源对它停更了，即使是Tsinghua源也不能保证一定能行，比如以下玩法就失败了，显示成功安装，但调用不了。
pip install tensorflow==2.10.1 -i https://pypi.tuna.tsinghua.edu.cn/simple
#选择国内清华Pypi源安装总结以上，对于无法调用GPU的问题，大多数还是各个程序的版本不对应，本文的版本匹配是博主亲测成功的。
对于网传还有这么一个Tensorflow, CUDAToolkit, CUDNN, Python版本的对应表，也是官网的版本对应表：Build from source on Windows | TensorFlow
其实这个对应表是针对上文提及的Tensorflow-gpu版本的，也就是旧的Tensorflow版本，在Tensorflow2.0版本中已经将gpu版本合并了，并不需要单独pip tensorflow-gpu。所以这里看到的CUDA及CUDNN版本都相对比较旧，其实按照这个版本安装理论上也是可行的，特别是针对一些旧的显卡。
另外，在一些英文教程中，还提到了直接conda 安装CUDA和CUDNN, 直接一行搞定，但前提也是要搞清楚各个程序的版本对应。相对来说就没有那么麻烦，不用下载CUDAToolkit手动安装以及CUDNN的配置，本人没有亲测过，不过在上一台独显笔记本电脑中，误打误撞安装上了，也是可行的，但Conda的库更新没那么及时，现在用以下语句安装的话，会报错找不到版本为8.8.1的cudnn包，降级cudnn的包版本也许可行，这里就不测试了，折腾几天终于可以跑了。
所以个人还是推荐手动安装CUDA和CUDNN。
conda install -c conda-forge cudatoolkit=11.8 cudnn=8.8.1
文章出处登录后可见！
