tensorflow-gpu安装教程（2021年Windows下安装GPU版本的Tensorflow和Pytorch）
视频教程：2021年windows下安装GPU版本的Tensorflow和Pytorch_哔哩哔哩_bilibili
最近比特币的热潮慢慢褪去 ，显卡的价格也下来了 ，所以小伙伴们可以观察一下最近的行情 ，合适的时候可以入手几块显卡来搞深度学习 。关注我的朋友大多数来自大作业怎么搞系列教程 ，大作业怎么搞系列使用tensorlfow训练了几个物体分类模型 ，在开源出的代码中我也基本给了大家我训练好的模型 ，有的朋友反应自己跑训练的过程的时候速度比较慢 ，这个原因大多都是因为大家是在CPU环境下来跑的 ，所以速度不是很快 ，如果使用GPU来跑训练的话 ，效率上差不多是CPU的10倍 。
！！！注：深度学习的小伙伴请选择Nvidia（英伟达）的显卡
显卡的品牌基本可以分为两大阵营：AMD和Nvidia 。如果是深度学习使用的话大家务必要选择Nvidia的显卡 ，AMD显卡性价比虽然比较高 ，但是其对深度学习的支持不是很好 ，所以大家购买之前一定要看清是不是英伟达的显卡 ，下面是英伟达的图标 。
认识显卡（GPU）
购买显卡之前 ，我们以Nvidia的显卡为例 ，说明一下显卡的型号上面的数字都表示什么意思 ，影驰表示的是显卡的制造商 ，Geforce是显卡系列名称 ，GTX表示显卡的档次 ，数字一般是四位 ，前两位表示显卡的代数 ，16就表示是第16代显卡 ，中间的第三位数字表示的是显卡的性能级别 ，数字越大显卡的性能级别就相对越好 ，最后一位一般都是0 ，不用去管 ，有的显卡还有英文的后缀 ，SE表示阉割版 、TI和Super表示增强的版本 ，比如1660TI就是在1660的基础上进行了增强 ，6G表示显卡的显存是6个GB ，最后的比较炫酷的名字是制造商定的名字 ，这个一般就是个噱头 ，不需要太关注 。
另外比较重要的是大家要学会看显卡的参数 ，分别是架构 、工艺 、流处理器 、核心频率 、显存频率 、显存位宽 、显存容量 ，比如这里是3090的显卡信息 。
架构：相当于运行布局 ，布局越好跑的越流畅 。 工艺：制程越小精度越高 ，越能发挥更多性能 。 光栅以及流处理器：相当于劳动力 ，人越多执行力越强 。 核心频率：反应速度 ，相当于跑车百米提速效率 。 显存频率：相当于限速标志 ，决定了最大运行速度 。 显存位宽：相当于划线 ，决定了最大运行通道 。 显存容量：相当于道路限宽 ，决定了最大承载量 。拿绝地求生来说 ，这款游戏比较吃显存 。因为游戏地图数据都加载在显存内 ，越是精致的3D画面数据量越多 ，需要的显存容量就越高 。深度学习的话一般主要关注两个点 ，一个是显存的容量一个是cuda核心的数量 ，这两个指标越大相对就越好 。
有台式机的小伙伴可以直接买单独的显卡插在主板上 ，注意要看自己的电源功率是否能够为显卡提供供电 。
没有台式机的小伙伴也可以考虑买带有Nvidia显卡的笔记本 ，目标联想拯救者系列就是个不错的选择 。
安装显卡驱动
首先第一步还是要安装显卡的驱动 ，显卡驱动的安装需要在官网下载驱动程序 ，首先大家需要在设备管理器中查看你的显卡型号 ，这里是我的显卡 。
去官网下载对应你显卡的驱动程序：
下载之后执行程序并进行安装即可 ，为了防止不必要的情况出现 ，安装的时候请按照默认选项执行 。
安装完毕之后重启电脑在cmd中输入nvidia-smi ，输出下列信息则表示显卡驱动安装成功 。
安装Anaconda
老朋友应该都知道Anaconda和Pycharm的使用方式 ，新朋友的话看下面这个教程就可以了
如何在pycharm中配置anaconda的虚拟环境_dejahu的博客-CSDN博客
安装完成之后在cmd中输入conda ，如果输出下列信息则表示anaconda安装成功 。
安装完毕之后请务必更新为国内的源 ，加快第三方库的下载速度 ，在cmd中执行下列指令即可 。
conda config --remove-key channels conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/ conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/ conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/ conda config --set show_channel_urls yes pip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple安装GPU版本的Tensorflow
GPU版本Tensorflow的安装
创建并激活虚拟环境
打开cmd ，首先创建虚拟环境 ，分别输入下面两条命令 ，完成虚拟环境的创建和激活
conda create -n dejahu-tf python==3.7.3 conda activate dejahu-tf安装
我们首先需要使用conda安装cuda和cudnn
conda install cudatoolkit=10.1 conda install cudnn==7.6.5然后使用pip指令安装gpu版本的tensorflow
pip install tensorflow-gpu==2.3.0测试GPU是否可用
现在在命令行中测试一下GPU是否可用 ，首先输入python进入python的解释器中
输入下面两条指令 ，如果输出为True则表示GPU可以使用
import tensorflow as tf print(tf.test.is_gpu_available())如果大家的输出和我这个类似那么你就可以愉快地使用GPU版本的tensorflow了
tensorflow如果安装的是GPU版本的则默认使用GPU ，大家不需要在代码中指定 ，直接使用即可
安装GPU版本的Pytorch
GPU版本Pytorch的安装
创建并激活虚拟环境
打开cmd ，首先创建虚拟环境 ，分别输入下面两条命令 ，完成虚拟环境的创建和激活
conda create -n dejahu-torch python==3.7.3 conda activate dejahu-torch安装
我们这里使用conda进行gpu版本pytorch的安装 ，非常方便 ，直接在激活的虚拟环境中输入下列命令即可 ，这里安装的是最新版本的Pytorch
conda install pytorch torchvision torchaudio cudatoolkit=10.230系的朋友需要cuda11的支持 ，请执行下列命令
conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge如果需要指定版本号 ，请这样执行
conda install pytorch==1.5.0 torchvision==0.6.1 cudatoolkit=10.2测试GPU是否可用
现在在命令行中测试一下GPU是否可用 ，首先输入python进入python的解释器中
输入下面两条指令 ，如果输出为True则表示GPU可以使用
import torch print(torch.cuda.is_available())如果大家的输出和我这个类似那么你就可以愉快地使用GPU版本的Pytorch了
不过Pytorch会讲究使用device来指定GPU ，需要大家通过to()方法做下转移
备用方案
另外受到网络的原因 ，可能需要大家手动安装cuda和cudnn ，不过这种方法需要cuda和cudnn匹配 ，不推荐大家使用 ，命令如下
conda install cudatoolkit=10.1 conda install cudnn==7.6.5使用这些API ，您可以开发分析工具 ，深入了解CUDA应用程序的CPU和GPU行为 。CUPTI作为CUDA支持的所有平台上的动态库提供 。请参阅CUPTI文档 。
nvidia与cuda需要满足关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.htmlcuda与cudnn需要满足关系：
https://developer.nvidia.com/rdp/cudnn-archivecuda历史版本下载连接：
https://developer.nvidia.com/cuda-toolkit-archiveTensorflow不同版本要求与CUDA及CUDNN版本对应关系:
https://blog.csdn.net/u013066730/article/details/88845083创心域SEO版权声明：以上内容作者已申请原创保护，未经允许不得转载，侵权必究！授权事宜、对本内容有异议或投诉，敬请联系网站管理员，我们将尽快回复您，谢谢合作！