Tensorflow2.4保姆级安装教程

• 先装python还是先装anaconda?
• Anaconda版本选择与下载
• Anaconda安装
• 更换conda镜像源
• Pycharm使用
• Pycharm虚拟环境介绍
• CUDA与cuDNN
• TensorFlow

---

版本介绍

python 3.7.10
conda 4.5.11
CUDA 11.1
Cudatoolkit 11.1.0
cuDNN 11.1 v8.0.5
tensorflow_gpu-2.4.1
Pycharm Professional 2020.3.3

---

写在最前面

下面列举了一些常见问题，请务必注意

• 国外源速度慢导致连接断开（请参考下文更换pip源和conda源）
• 版本对应问题（请勿安装过高版本的Anaconda，会导致python版本过高，Tensorflow不支持，至本文发布为止最高支持到python3.8，Tensorflow_CPU的安装较为简单，故演示了GPU-2.4.1）

笔者在开始前已经有了python3.6.8，但实际上可以直接跳过，anaconda自带python
Python Download

鉴于目前网上教程采用的版本比较混乱，故此次保姆级教程采用了较新的版本并通过测试

保姆级教程：尽可能详细的列出具体步骤，但省略了一些作者认为比较简单的操作：如何打开命令行、命令行基本操作、如何使用Pycharm、软件的基本安装流程、环境变量的手动配置等。

如果仍然无法解决您的问题
建议1：转身立马退坑
建议2：点击这里

---

1.前言：先装python还是先装anaconda

装anaconda，就不需要单独装python了

anaconda 是一个python的发行版，包括了python和很多常见的软件库,和一个包管理器conda，集成了很多关于python科学计算的第三方库，主要是安装方便，而python是一个编译器，如果不使用anaconda，那么安装起来会比较痛苦，各个库之间的依赖性就很难连接的很好。

2.Anaconda版本选择与下载

方法一

官网下载: 不推荐，不会开飞机的话速度慢并且容易断
Anaconda官网

方法二

国内镜像源: 可以用清华源、中科大源……
Anaconda清华源

版本选择

3.Anaconda安装

比较容易，一路next和skip，包括自动添加到环境变量等操作，可以直接装到C盘可以避免一些后续问题，笔者这里选择装到了E://Anaconda3 等待安装完毕即可
若没有勾选Add Anaconda to the system Path environment variable，需要手动添加环境变量，比较简单；此处勾选了所以忽略

验证是否安装完成 conda info

Anaconda Navigator是否可用

至此，Python 3.7.0 + Anaconda3-5.3.1安装完成

---

4.更换conda镜像源

• 可以在Anaconda Navigator中的channel直接更换

• 也可以在Anaconda Prompt中更换镜像源
  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/
conda config --set show_channel_urls yes

• 查看是否已经更换好通道
  conda config --show channels
  

5.Pycharm使用

Jetbrains全家桶：US $649.00/Year，当然建议使用edu邮箱获取，申请教育版邮箱认证即可（可能需要不定时验证信息），建议安装Toolbox方便更新以及使用

附上Jetbrains链接

针对浙工大学生邮箱：Jetbrains的验证邮件容易出现在e邮的拦截队列中，收不到confirm email可以在拦截队列中找到

如果比较困难，可以尝试装中文插件 File->Settings->Plugins->Chinese (Simplified) Language Pack EAP 当然不建议这样使用，汉化的翻译可能存在偏差

6. Pycharm虚拟环境介绍

Pycharm采用虚拟的环境，配置是可以采用为项目新建Python解释器或者使用原有的环境

1. Inherit global site-packages
   继承本地的库，如果需要重复安装第三方库，可以勾上这个
2. Make available to all projects
   可以使别的工程项目可以使用此工程的环境

区别：创建Virtualenv Environment 或者 Conda Environment
若要在服务器上远程运行，配置SSH interpreter，并且在Tools->Deploment->Configuration中配置主机即可，后续有机会再详细展开……

7. CUDA和cuDNN

检测目前安装了哪些环境
cmd: conda info --envs

检查目前有哪些版本的python可以安装
cmd：conda search --full-name python

检查目前有哪些版本的Tensorflow可以安装
cmd：conda search --full -name tensorflow

查看依赖关系
cmd：conda info tensorflow

在这之前，检查Nvidia驱动支持的CUDA版本，此处安装的是Tensorflow2.4.1，需要CUDA11.0或及以上版本

• 查看Tensorflow和CUDA对应版本（版本一定要对应）

nvidia-smi命令行查看CUDA Version （当前显卡驱动最高支持的CUDA版本）

• Nvidia官网下载Cudatoolkit（下载速度慢可以复制链接到迅雷下载）

一路安装下来即可，安装过程中已经自动添加了环境变量
cmd：nvcc -V返回CUDA版本信息，如果nvcc命令无法识别则表示安装失败

• Nvidia官网下载cuDNN（下载速度慢可以复制链接到迅雷下载）

只要把cuDNN文件复制到CUDA的对应文件夹里就可以，即所谓的插入式设计，cuDNN是CUDA的扩展计算库，不会对CUDA造成其他影响。
复制后，手动将CUDA相对路径下的/bin和/lib/x64添加到环境变量CUDA_PATH

• 测试CUDA

cmd：cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\extras\demo_suite

• 测试deviceQuery.exe

• 测试bandwidthTest.exe

都返回Result = PASS
That’s all OK.

8. TensorFlow

8.1 创建环境

conda create --name tfenv python=3.7.0

由于之前已经更换了清华源，由于网络问题造成的错误率大大降低，但仍然可能被中断
用conda info --envs检查一下是否装好了tfenv环境

8.2 激活环境

conda activate tfenv

退出环境conda deactivate

8.3 激活后安装Tensorflow

• 更换tfenv环境的pip源 👉更换pip清华源参考方法

• pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

• pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

此处未指定版本，会选择最高的gpu版本安装，若要置顶版本，tensorflow-gpu==2.x.x
虽然已经换源，但还是可能出现These Packages Do Not Match The Hashes From The Requirements File.
解决方案：在pip时，添加”–upgrade”参数（实测有效）。
几分钟后👉安装成功

8.4 激活后测试Tensorflow

• 输出包含GPU信息的日志

  import tensorflow as tf
  tf.test.is_gpu_available()
  tf.test.gpu_device_name()

8.5 Pycharm测试Tensorflow

• 添加安装有Tensorflow的环境作为工程的python解释器

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
greeting = tf.constant('Hello Tensorflow!')
sess = tf.compat.v1.Session()
result = sess.run(greeting)
print(result)
sess.close()

---

至此，所有安装和配置完成，版本对应问题非常重要，如果出现装错了版本请尝试彻底卸载后重装
为了更有针对性，本文采用了较新的版本，请务必在安装前选择合适的版本
如果提示确实dll动态链接库，请尝试手动下载，貌似采用CUDA11.1可能会遇到这种情况，并且有部分人认为11.1中有未知错误并且不推荐使用，但在安装过程中并未发现，或许之后遇到了会继续补充

---

Update 2021.08.10

• 考虑到大多数模型还是使用f1.x构建的，并且与2.x在很大程度上有所区别，故决定增加tensorflow1.8.0环境。

注意事项（与上文相同，有空加图）

1. CUDA、cuDNN与Tensorflow版本号对应，点击查看原文档对应关系
2. Python版本适用，不建议用过高版本
3. 显卡驱动不适配（显卡驱动决定可支持的CUDA最高版本，已有2.x版本的固驱动基本不会出问题），点击查看原文档对应关系
4. 两个版本的CUDA兼容性问题

多版本的CUDA兼容问题最麻烦（多次尝试后已解决）

• CUDA安装
  • 若采用精简安装，先安装低版本的，在安装高版本的，会覆盖兼容，暂未发现问题
  • 若现有高版本（如本文顺序现有tf2.4.1再加1.8.0），需使用自定义安装，驱动组件只需选择CUDA下的Develpoment、Documentation、Visual Studio Intergration、Sanples、Runtime共五个即可，Nsight compute以及Driver components和other components取消勾选，否则会导致两个版本冲突都无法使用
  • 路径添加
    • 安装完成之后，默认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA会出现v9.0文件夹，原来已经有v11.1
    • 此时已可用nvcc -V查看CUDA版本为最近安装的版本
    • cuDNN组件下载替换

• 版本切换(环境变量)

  • 只需将PATH下需要使用的版本bin和libnvvp两个路径移动至其他版本之前即可,CUDA_PATH无需修改，nvcc -V可查看当前CUDA版本已更改
  • CUDA_PATH C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
  • CUDA_PATH_V11.1 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
  • CUDA_PHTH_V9.0 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0
  • PATH
    • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\bin
    • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\libnvvp
    • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
    • C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp

• 经过测试多版本tensorflow无冲突，版本自由切换正常，时间原因详细步骤不截图，此处记下以备之后迁移环境时参考用

Tensorflow-GPU版本信息

• tensorflow_gpu-2.4.1

  python 3.7.10
  CUDA 11.1
  cuDNN 11.1 v8.0.5

• tensorflow_gpu-1.8.0

  python 3.6.13
  CUDA 9.0
  cuDNN 9.0 v7.6.5

---

Update 2021.12.26

• 由于之后的研究影响，部分模型可能需要用到Pytorch，尽管个人倾向于使用前者建模，但在复现已有的模型时不可必要要看懂并且迁移Pytorch模型，故决定增加Pytorch1.8.0环境。

详细步骤（有空加图）

1. Anaconda虚拟环境，conda create -n torch1.8.0 python=3.7.0等待创建完毕
2. pip安装或conda安装torch
3. 同样也需要注意CUDA版本对应，由于之前已有CUDA11.1，故找了个与之适配的torch版本使用

• 本文使用conda安装，有空详细展开并且加上pip安装流程
  • 查找历史版本
  • 使用conda命令等待安装完毕即可，若下载受限请参照上文修改镜像源
• 一般速度较快，若长时间无反应请考虑是否被墙（换源）或者无对应版本（参照文档）
• 本文使用conda install pytorch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0 cudatoolkit=11.1 -c pytorch -c conda-forge

Pytorch-GPU版本信息

• pytorch 1.8.0

  torchvision 0.9.0
  torchaudio 0.8.0
  python 3.7.0
  CUDA 11.1
  cuDNN 11.1 v8.0.5

---