使用conda代替pip让Tensorflow GPU安装变得更加简单！

点击上方关注，All in AI中国

作者：Harveen Singh

我有一个配置很好的GPU，我曾经用它玩过FIFA游戏。而在人工智能方面，我想使用GPU进行深度学习而不是玩游戏。但是，我担心Tensorflow GPU的安装不兼容Cuda的版本。在本文中，我将解释其安装的传统方法和新的优化方法，以及为什么我们应该抛弃pip而使用conda的原因。

传统方法

要为GPU安装Tensorflow，必须遵循以下步骤（步骤适用于Windows操作系统）：

1.首先找出GPU是否与Tensorflow GPU兼容。

https://developer.nvidia.com/cuda-gpus

2.从这里下载并安装Cuda Toolkit。

https://developer.nvidia.com/cuda-downloads

3.通过注册Nvidia开发者网站下载cuDNN

https://developer.nvidia.com/cudnn

4.通过将cuDNN的内容解压缩到步骤2中安装的Cuda Toolkit路径来安装cuDNN。必须在Cuda Toolkit目录中替换文件。

5.是这样吗？不，无论CUDA_HOME存在与否，需要检查路径变量。如果没有，请手动添加。

6.无论工具箱路径可用或不可用，都需要检查路径变量。

7.然后安装Anaconda或Miniconda

8.采用Python和安装Pip软件包创建环境。

9.最后，通过pip安装Tensorflow GPU。

10.测试安装。

那么你可能会说这很容易。为什么不继续尝试呢？请记住，我没有为上述任何步骤提供视觉效果，因为这些只是为了增加你的知识，并解释我们在此过程中遇到的问题。

虽然可能只有1%的概率，但这个过程会对你有利！

为什么？其原是由于版本编号不同。

图1 Tensorflow GPU的各种版本

不同版本的Tensorflow支持不同的cuDNN和CUDA Verisons（在此表中，CUDA有一个整数值，但是当你下载它时实际上是一个浮点数，这使得编号和兼容性更加困难）。另外，cuDNN和conda也不是conda的一部分。

更加有效的新方法

安装Miniconda或Anaconda，然后运行此命令。

是这样吗？对。

此命令将创建一个以'tf_gpu'命名的环境，并将安装Tensorflow GPU需的所有软件包，其中包括cuda和cuDNN兼容的verisons。

图2. cuDNN和Cuda现在是Conda安装的一部分

并且它也不会干扰你在当前的环境所有准备好的设置。

如果你很难看到命令，我会将此命令分解为三个命令。

注意：这也适用于Ubuntu用户。没有更多的脚本可以让DL在GPU上运行。

测试Tensorflow安装

要测试Tensorflow安装，请按照下列步骤操作：

1.使用'activate tf_env'打开终端并激活环境。

2.使用'python'转到python控制台

图3 验证Tensorflow安装

此信息最初发布于此处。本文还讨论了Tensorflow计算中的一些改进。