TensorFlow2.1.0新版本安装方法教程

本篇内容介绍了“TensorFlow2.1.0新版本安装方法教程”的有关知识，在实际案例的操作过程中，不少人都会遇到这样的困境，接下来就让小编带领大家学习一下如何处理这些情况吧！希望大家仔细阅读，能够学有所成！

TensorFlow是一款优秀的深度学习框架，支持多种常见的操作系统，例如Windows10，Mac Os等等，同时也支持运行在NVIDIA显卡上的GPU版本以及仅使用CPU进行运算的CPU版本。此篇教程将介绍如何安装最新版TensorFlow框架（2.1.0版本）

安装步骤

1.常用IDE安装

2.CUDA安装

3.cuDNN神经网络加速库安装

4.TensorFlow框架安装

常用IDE安装

用户在Python官网上可以下载到最新版本（Python3.7）的解释器。（Python官网）Python解释器可以让用户利用Python语言编写的代码可以被执行。目前有许多优秀的集成开发环境（IDE）可供用户选择，例如PyCharm，Anaconda等。其集成了Python解释器以及开发环境、交互式命令终端等，还集成了许多常用的Python库。我们将使用Anaconda作为IDE，搭建我们的TensorFlow框架。

我们打开Anaconda的下载页，（Anaconda下载页）选择正确的系统，选择Python最新版本的下载链接即可开始下载。

下载完成后，我们打开Anaconda的安装包，一直点击next/I agree。在出现下图所示页面时（现在是Python3.7，用的是之前的图片），勾选“Add Anaconda to my PATH environment variable”。有些安装教程上不推荐勾选这一项。勾选此项的目的是给Anaconda添加环境变量，让我们的计算机能够感知到它的存在，以便我们通过命令行调用Anaconda的程序。

Anaconda的安装过程总共为5-10分钟，占用空间大小约为2-3GB，请先预留好磁盘空间。

安装完成后，我们来检测一下Anaconda是否安装成功。按下Win+R组合键，输出cmd打开命令提示符，键入conda list查看当前Python环境安装的库。若为新安装的Python环境，那么显示的库均为Anaconda自带的软件库。如果键入conda list命令能够返回一系列Python库列表信息，即说明Anaconda安装成功。若命令提示符无法识别conda命令，即说明安装失败。若之前未将Anaconda添入环境变量，我们打开Anaconda Prompt交互式命令终端，键入conda list，观察是否能够返回一系列Python库列表信息。

CUDA安装

CUDA是基于NVIDIA显卡的加速库，我们安装它以利于深度学习框架在NVIDIA的GPU显卡的加速运算。但在我们开始安装CUDA之前，请先确认计算机上是否有支持CUDA程序的NVIDIA显卡设备。如果计算机上没有NVIDIA显卡，则无法安装CUDA程序，应直接进入TensorFlow框架的安装。

CUDA的安装主要分成三个步骤。

第一步：下载CUDA安装包，完成CUDA软件的安装；

第二步：下载并配置cuDNN深度神经网络加速库；

第三步：配置环境变量。

CUDA软件安装

我们进入CUDA软件下载页 ，（CUDA下载页）选择 CUDA Toolkit 10.1 (Feb 2019), Online Documentation，点击之后依次选择Operating System，Version选择10，Installer Type选择exe（local），点击Download开始下载，安装包大小约为2.4GB。（最新版本的TensorFlow2.1.0匹配的是10.1版本的CUDA Toolkit，因此我们下载10.1版本，否则后续TensorFlow框架的安装会出错，提示找不到动态链接库文件的信息）

安装包下载完毕后，打开安装软件，在选项中选择自定义安装方式，点击NEXT按钮进入安装程序选择列表。 在CUDA选项卡下，取消勾选“Visual Studio Intergration”一项。（这是因为我们并没有使用Visual Studio开发环境）在“Driver Components”选项卡下，比较当前版本信息和安装版本信息。若当前版本高于安装版本，则取消勾选“Display Driver”；若当前版本低于或等于安装版本，保留默认信息安装即可。

安装完毕后，我们来测试一下CUDA是否安装成功。键入Win+R打开Windows命令提示符，键入nvcc -V，即可返回当前CUDA的版本信息。如果Windows命令提示符无法识别nvcc命令，则说明安装失败。（同时也可搜索CUDA的安装目录，找到“nvcc.exe”程序）

cuDNN神经网络加速库安装

CUDA并非针对于神经网络加速的GPU加速库，如果希望针对神经网络进行加速，我们还需要安装额外的神经网络加速库cuDNN。cuDNN并非一个应用程序，我们只需将它下载下来并解压到CUDA的bin目录下即可。打开cuDNN的下载页(cuDNN下载页），选择“Download cuDNN”。请注意，若要下载cuDNN，必须先登录NVIDIA的账户。因此，用户需要登录或者注册NVIDIA用户才可下载cuDNN。登录账户后，进入cuDNN的下载界面，勾选“I Agree To the Terms of the cuDNN Software License Agreement”，即可显示cuDNN的下载版本选项。（请注意：我们一定要选择与安装的CUDA版本相匹配的cuDNN，即选择Download cuDNN v7.6.5 (November 5th, 2019), for CUDA 10.1）

下载完成后，我们将其解压，并将里面的cuda文件夹重命名为cudnn765，复制到CUDA的安装目录下。此处可能弹出需要管理员权限的提示信息，点击继续即可。

配置环境变量

上述步骤完成后已经表明cuDNN安装完成。但是，我们还需要让计算机感知到cuDNN文件的具体位置，因此我们需要配置系统环境变量。回到桌面，点击“此电脑”，右键选择“属性”，在“控制面板主页”中选择“高级系统设置”，在弹出的对话框中点击“环境变量”，进入环境变量编辑对话框。

在“系统变量”一栏中找到Path变量，点击“新建”，键入cuDNN的安装路径“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn765\bin”，并点击“向上移动”将其置顶。（这里说明一下，本人之前只是重命名了cuDNN的文件夹名，并非重命名了cuDNN里面的cuda文件夹，所以本人的环境变量为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn765\cuda\bin）

CUDA安装完毕后，系统环境变量应包括：“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\cudnn765\bin”；“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin”；“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\libnvvp”。具体位置可能随着安装目录的不同而不同。确认无误后点击“确定”，退出环境变量的配置对话框。

TensorFlow安装

TensorFlow的安装同许多Python库一样，使用pip命令即可安装。使用pip命令之前，我们可以键入Win+R打开Windows命令提示符，键入pip -V查看当前pip的版本，如果版本过低，可以键入Python -m pip install --upgrade pip命令更新。安装TensorFlow时，我们需要根据计算机是否有NVIDIA的GPU显卡来选择安装性能更强的GPU版本或者性能一般的CPU版本。

国内利用pip命令下载安装经常会遇到下载速度很慢甚至连接断开、响应超时等导致安装失败的情况。这时，我们可以选择国内的镜像配置pip源，仅需要在“pip install”命令后加入“-i 源地址”即可。现在我们利用国内清华源安装TensorFlow的最新版本。键入Win+R打开Windows命令提示符，键入“pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple”，此命令将会自动下载TensorFlow并安装。“-U”参数指定如果已安装此包，则进行升级命令。

下图是已下载好TensorFlow再键入“pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple”的界面。

现在我们来测试TensorFlow2.1.0版本是否已经安装成功。键入Win+R打开Windows命令提示符，键入ipython打开Python交互式命令终端。键入“import tensorflow as tf”命令，若无错误提示信息，键入“tf.config.list_physical_devices(‘GPU')”命令或者“tf.test.is_gpu_available()”命令。此命令会返回一系列以“I”（Information）开头的信息，其中含有可用的GPU显卡设备信息。此命令最终会返回“True”或“False”（键入的是“tf.test.is_gpu_available()”命令）。如果为“True”，则代表TensorFlow的GPU版本安装成功。若返回的是“False”，则说明安装失败，需要重新检测CUDA，cuDNN的安装及其环境变量的配置。注意看返回的错误信息，重点检测是否是CUDA和cuDNN的版本与TensorFlow的版本不匹配。

如果不能安装TensorFlow的GPU版本，可以选择先安装TensorFlow的CPU版本先代替使用。CPU版本缺少GPU的加速运算，在性能上的表现不如GPU版本。亦或者，若读者经过多次尝试仍未成功安装TensorFlow的GPU版本，不妨先下载CPU版本作为临时替代。

安装CPU版本的命令为：“pip install -U tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple”。安装完成后，打开ipython交互式命令终端，键入“import tensorflow as tf”命令检测是否安装成功。

TensorFlow的GPU/CPU版本安装完成后，键入Win+R打开Windows命令提示符，键入ipython打开交互式命令终端，键入“tf.__version__”（注意是双下划线）即可查看TensorFlow版本信息。

最后，希望本文可以提供安装TensorFlow框架的帮助。

总结

“TensorFlow2.1.0新版本安装方法教程”的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识可以关注亿速云网站，小编将为大家输出更多高质量的实用文章！