【深度学习系列】全面指南：安装TensorFlow的CPU和GPU版本

本文主要是介绍【深度学习系列】全面指南：安装TensorFlow的CPU和GPU版本，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

本博客旨在为初学者提供一份全面的指南，介绍如何根据个人电脑的配置选择并安装适合的TensorFlow版本。内容涵盖了如何查看电脑显卡型号以确定是安装CPU还是GPU版本的TensorFlow，创建Python虚拟环境，以及使用conda命令查找可用的TensorFlow版本。同时，文章还提供了安装过程中可能遇到的问题及其解决方法，确保读者能够顺利完成安装过程，并开始他们的机器学习或深度学习项目。

目录

一、安装anaconda

二、tensorflow安装cpu版本和gpu版本的区别

三、确定本电脑tensorflow安装cpu版本还是GPU版本

（一)查看显卡型号的步骤

（二） 点击性能

（三） 找到GPU,查看其型号

 （四）查看显卡的计算能力

 四、Tensorflow与Python、CUDA、cuDNN的版本对应表

五、安装CPU版本的tensorflow 

(一)创建虚拟环境

（二）查看虚拟环境

（三） 进入/激活虚拟环境

（四） 安装cpu版本的tensorflow

(五） 在jupyter中添加虚拟环境tensorflow-2.10.0的内核

六、使用conda search命令来查看所有可用的TensorFlow版本

 七、安装GPU版本的tensorflow

八、可能出现的报错

报错一：

出现报错一的原因： 

报错一的解决方法（切换镜像源)

 报错二及解决方法：

报错三及解决方案：

 报错四及解决方案：

报错五及解决方案：

一、安装anaconda

Anaconda | The Operating System for AI

anaconda想必大家都很熟悉了，就不在这里过多陈述。

二、tensorflow安装cpu版本和gpu版本的区别

TensorFlow 的 CPU 版本适用于普通计算机，无需特殊硬件，适合轻量级任务和小规模数据处理。

而 GPU 版本则需要 NVIDIA GPU 及相关驱动支持，能显著提升计算速度，适合大规模数据集和复杂模型的训练。选择版本时，应考虑硬件条件和任务需求。

三、确定本电脑tensorflow安装cpu版本还是GPU版本

下边是我在网上找到的参考：

首先，查看自己电脑显卡的型号。如果显卡是NVIDIA系列的，继续下面步骤；如果显卡不是NVIDIA系列的，直接装CPU版。 

注意：显卡是NVIDIA系列的，同样可以安装cpu版本。

步骤如下：

（一)查看显卡型号的步骤

①在电脑菜单栏里输入“任务管理器”，然后打开

（二） 点击性能

（三） 找到GPU,查看其型号

发现本电脑GPU是NVIDIA系列系列中的Geforce RTX 2060

 （四）查看显卡的计算能力

在CUDA GPU | NVIDIA 开发者这个链接，点击自己显卡对应的系列，查看显卡计算能力（computer capability）。如下图，本电脑显卡是 NVIDIA系列系列中的Geforce RTX 2060，其对应的计算能力是7.5。（官方文档中写的75，不知道为啥没有加小数点），故可以安装GPU版本。

 四、Tensorflow与Python、CUDA、cuDNN的版本对应表

在 Windows 环境中从源代码构建  |  TensorFlow (google.cn)

Tensorflow与Python、CUDA、cuDNN的版本对应表_tensorflow版本对应-CSDN博客

五、安装CPU版本的tensorflow 

这里我选择安装tensorflow-2.10.0，对应的python版本是3.7-3.10

(一)创建虚拟环境

打开Anaconda的Prompt命令窗口，在进入Prompt后，默认的是你的base环境。（不明白这里也没事)

为了方便管理，我们在此创建一个新的虚拟环境，用来使用2.10.0版本的tensorflow

创建了一个新的conda环境，名为"tensorflow-2.10.0"，并指定在这个环境中使用Python 3.9版本，代码命令如下：

conda create -n tensorflow-2.10.0 python=3.9

选择y 

这样就是创建虚拟环境成功了，下边我们再验证一下。

（二）查看虚拟环境

输入conda info -e 或者conda env list可以查看你当前conda中的环境。若创建成功，prompt中显示如下：

下图有四个虚拟环境，最左列是虚拟环境的名字，最右列是对应的位置。

第四个环境名称是tensorflow-2.10.0，就是我们刚刚创建的那个，说明创建成功了。

（三） 进入/激活虚拟环境

输入"conda activate 环境名" 可以进入新环境，如：

conda activate tensorflow-2.10.0

这样就从最开始的base环境切换到名称为 tensorflow-2.10.0虚拟环境下了。

（四） 安装cpu版本的tensorflow

conda install tensorflow==2.10.0

 如果没有报错的话九安装成功啦！

接下来可以使用pip list 或者conda list，查看一下我们本地安装好的包，如下：

发现有了2.10.0版本的tensorflow

接着我们进入python环境，输入下方两行代码，第一行代码作用是再python中导入tensorflow，没有报错就再次验证成功安装好tensorflow了。

第二行代码，是查看tensorflow的版本。

import tensorflow as tf

tf.__version__

 从下图结果中可以看出，tensorflow的版本正是2.10.0

(五） 在jupyter中添加虚拟环境tensorflow-2.10.0的内核

在tensorflow-2.10.0这个虚拟环境中，命令行输入conda install ipykernel安装ipykernel

安装完成后进入Jupyter Notebook，创建文件时可以发现有了tensorflow-2.10.0这个内核

同样，打开一个文件后，可以在kernel->change kernel下选择想要的内核。 

六、使用conda search命令来查看所有可用的TensorFlow版本

conda search tensorflow 命令查看的是当前镜像下的所有可用的TensorFlow版本。

此命令将检索当前配置的镜像源中所有可获取的TensorFlow版本，这包括了不同版本号、适配不同环境（如CPU或GPU）的版本。使用者可以通过这个命令来查找适合自己需求的TensorFlow版本，从而进行安装。

conda search tensorflow

按下回车键后，你会看到一个包含TensorFlow不同版本及其对应途径的列表。

conda search tensorflow-gpu -c conda-forge

 如果你想查看特定类型的版本（如GPU版本），可以在搜索命令后加上-c conda-forge，因为GPU版本的TensorFlow通常在conda-forge库中提供。

 七、安装GPU版本的tensorflow

可以参照下方两个链接中的步骤进行安装gpu版本的tensorflow

tensorflow-gpu版本安装教程（过程详细）_tensorflow gpu版本安装-CSDN博客

Tensorflow-gpu安装教程（详细）！！！_安装tensorflow-gpu-CSDN博客

我在网上看到许多评论提到，通过使用conda安装gpu版本的tensorflow，例如执行命令：conda install tensorflow-gpu==2.6.0，无需单独下载cuda和cudnn。然而，这种方法在我的尝试中并未成功。

同样，直接使用pip进行安装也未能成功，这是我参考的第二篇博客中提到的前两种方法。

因此，我决定接下来手动下载cuda和cudnn，并进行相应的配置以安装gpu版本的tensorflow。

待我最近有空时，会继续更新这一进程。

补充：

conda config --show能够显示出所有conda的config信息。

conda config --show channels只显示channels的信息

八、可能出现的报错

报错一：

出现报错一的原因： 

1. 版本不兼容：Anaconda channels（镜像）可能不包含特定的2.15.0版本，特别是对于较旧的版本。

2. 镜像源问题：尝试安装的特定版本可能在当前的镜像源中不可用。可以尝试更换其他可用的 Anaconda 或者 TensorFlow 的官方镜像源，或者更新到较新的版本。

报错一的解决方法（切换镜像源)

打开cmd切换到国内的其它镜像源

这里提供两个镜像源，分别是清华镜像、中科大镜像、，其它的小伙伴们可以在网上自行搜索

切换成清华镜像源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/

切换成中科大镜像源

conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/

切换成阿里云像源

conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.aliyun.com/anaconda/pkgs/main/

切换成华为云像源

conda config --add channels https://mirrors.huaweicloud.com/anaconda/pkgs/free/
conda config --add channels https://mirrors.huaweicloud.com/anaconda/pkgs/main/

切换成上海交通大学像源

conda config --add channels https://mirrors.sjtug.org/anaconda/pkgs/free/
conda config --add channels https://mirrors.sjtug.org/anaconda/pkgs/main/

注意！如果切换镜像后还是出现下载不了的情况，就先切换回默认源，然后再修改另一个可以使用的conda源（一定要先恢复默认，再换另一个！！！）

切换回默认源

conda config --remove-key channels

​​

 报错二及解决方法：

这个错误提示表明你遇到了"429 Too Many Requests"，即请求次数过多，导致服务器暂时无法处理你的请求。这通常是因为在短时间内发送了过多的安装请求。为了解决这个问题，你可以按照以下步骤操作：

1. 等待一段时间

2. 检查网络状况

3. 更换镜像源

报错三及解决方案：

有时，在安装特定版本的TensorFlow后，尝试导入时可能会遇到与numpy版本冲突的错误。解决这种冲突通常需要升级或降级numpy版本以使其与TensorFlow兼容。然而，当你解决了TensorFlow和numpy之间的兼容性问题后，可能会发现numpy又与scipy不兼容。如果调整numpy版本以适配scipy，那么它与TensorFlow的兼容性问题又会再次出现。

在这种情况下，我们可以考虑使用与TensorFlow兼容的Python版本来解决兼容性问题。每个版本的TensorFlow都支持多个Python版本，例如，安装2.10.0版本的TensorFlow时，它可能与Python 3.7、3.8、3.9和3.10等版本兼容。如果我们选择的是Python 3.7版本，但遇到了兼容性问题，我们可以尝试使用其他版本的Python来解决这个问题。

 报错四及解决方案：

有一个问题那就是在某些情况下，设置好镜像源后仍不能下载，可能是因为镜像源没有相关资源而导致没有安装到正确版本，每个人情况不同，或多或少会出现这样的问题。那么就尝试换其它镜像源。

报错五及解决方案：

在尝试安装2.15.0版本的tensorflow时，我使用了conda进行安装，但遇到了各种问题。最常见的问题是在当前channel下找不到此版本，即使更换了channel也无法正常安装。后来，我考虑使用pip install进行安装，通过运行`pip install tensorflow==2.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple`成功安装了所需的版本。

这篇关于【深度学习系列】全面指南：安装TensorFlow的CPU和GPU版本的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---