在Windows 10上搭建TensorFlow环境

在Windows 10上搭建TensorFlow环境

• 版权声明：本文为博主chszs的原创文章，未经博主允许不得转载。

了解如何为受支持的GPU测试Windows系统，安装和配置所需的驱动程序，获取最新的TensorFlow每日构建版并确保其正常工作。

在前面的文章中，我展示了如何测试你的Linux系统，看看你是否能够按照带GPU支持的TensorFlow。在本文中，我将介绍如何在Windows 10上搭建TensorFlow环境。

同样，仍然需要Python环境和pip工具。

1、获取Python和pip

在Windows环境安装Python 3.x版本，通常安装包中集成了pip工具，安装会非常简单方便。具体见： https://www.python.org/downloads/windows/

一旦下载并执行，需要确保选择安装的自定义选项。可以看到如下界面：

完成安装后，可以打开命令提示符并键入python，以查看您正在使用的版本。这里可以看到，我下载了3.6.4版：

然后可以退出Python解释器环境：

登录后复制

exit()

然后测试pip工具安装的情况：

登录后复制

pip -V

可以看到这样：

接下来，在安装TensorFlow之前，需要先检查主机的GPU是否支持，在命令提示符下，执行命令：

登录后复制

control /name Microsoft.DeviceManager

然后查看“显示适配器”设置，将其打开，然后阅读显示适配器的名称，如下：

正如你所看到的，主机系统有一个GTX 980 Ti。然后去NVIDIA官网查看信息，具体见： https://developer.nvidia.com/cuda-gpus，就可以知道是否可以使用带GPU支持的TensorFlow。这里已经确定是支持的。但是在安装和运行TensorFlow之前，需要为你的机器安装CUDA驱动。

2、安装CUDA驱动程序

要说明一点，目前TensorFlow的每日构建版提供了对CUDA 9.0的支持，而Release版则只能支持CUDA 8.0版。如果访问CUDA的下载网站，见： https://developer.nvidia.com/cuda-toolkit，可以看到CUDA目前的最新版本是9.1版，因此请确保通过选择下面的“Legacy Releases”链接来下载正确版本的驱动程序。

在运行TensorFlow之前，还需要一个与主机的CUDA版本相匹配的CuDNN版本。

3、安装TensorFlow

安装TensorFlow的Nightly Build版。从命令提示符下安装它，只需输入：

登录后复制

pip install tf-nightly-gpu

一旦安装完成，在命令提示符窗口中输入：

登录后复制

python

打开Python编辑器，在其中输入：

登录后复制

import tensorflow as tf

如果CUDA驱动程序有错误，就可能会显示 cudart64_XX.dll 失败，其中XX是版本号。

如果CUDA驱动程序正确，但CuDNN驱动程序有错误，就可能会显示说 cudnn64_X.dll 缺少什么东西，其中X是一个版本号。

4、安装CuDNN库

CuDNN库是CUDA针对深度神经网络的更新包，TensorFlow会使用它用于加速NVidia GPU上的深度学习。可以从这里下载，见： https://developer.nvidia.com/cudnn。

但必须首先要注册一个NVidia开发者帐号，它是免费的。登录后，您会看到各种CuDNN下载。然后选择匹配的版本。由于之前使用了CUDA 9.0，所以确定为CUDA 9.0选择了cuDNN v7.0.5。

下载下来的是一个包含了几个文件夹的ZIP文件，每个文件夹包含CuDNN文件（一个DLL，一个头文件和一个库文件）。找到你的CUDA安装目录，这里应该是这样的：

登录后复制

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0

可以看到从ZIP文件的目录也在这个目录，即有一个bin、一个include，一个lib等。将文件从ZIP复制到相关的目录。
比如把cudnn64_7.dll文件拖拽到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin目录，其它相似。

完成后，重新打开命令提示符窗口并再次测试TensorFlow！

登录后复制

import tensorflow as tf

然后，可以输入以下内容来检查TensorFlow版本：

登录后复制

print(tf.__version__)

可以看到TensorFlow的版本得以正确显示：

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删