在深度学习和数据科学领域TensorFlow 是一个强大的开源框架支持 CPU 和 GPU 计算。为了最大化计算效率合理配置 TensorFlow GPU 版本至关重要。本指南介绍了如何选择合适的 Python 版本配置 NVIDIA 相关驱动CUDA 和 cuDNN安装 TensorFlow GPU 版本并验证其是否成功运行在 GPU 上。通过本教程用户可以顺利搭建深度学习环境以充分发挥 GPU 的计算能力。文章目录Python 版本选择NVIDIA 配置流程Tensorflow 配置流程Tensorflow GPU验证总结Python 版本选择建议直接安装Anaconda选择自己需要版本即可。也可以直接前往 Python 官网 下载 Python 3.x 的安装包。运行安装程序并按照提示进行安装。在安装过程中请确保勾选“Add Python to PATH”选项以便在系统环境变量中添加 Python。NVIDIA 配置流程设置显卡开发者模式按照图中显示配置即可。确认NVIDIA显卡系统信息自己要记不住用个小本本记录一下12.1.68这串数字就可以了。安装 cuda点击 NVDIA官网下载选择对应的版本。例如之前的显卡版本信息是12.1.68则选择12.1.x即可以此类推。点击下载选择安装程序该程序和之前的必备程序对应。下载完之后点击安装安装就行了。点击程序解压到任意位置安装后临时文件会自动清除进入安装程序一直点下一步默认安装就行了。cuDNN安装点击 NVDIA官网下载选择对应的版本。这个地方要注册使用QQ或者微信联合登录即可。选择刚才的CUDA版本下载压缩包。下载完之后解压缩该文件夹打开即可。解压下载的 cuDNN 压缩包并将解压后的文件包括 cuda\bin、cuda\include 和 cuda\lib 目录下的文件复制到目录xxxx\NVIDIA GPU Computing Toolkit\CUDA\v12.1目录下。cuda 、cuDNN 环境配置复制下面的内容到环境变量即可。C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\libnvvp C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\CUPTI\lib64 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\includeTensorflow 配置流程cuDNN、CUDA、Python版匹配点击 tensorflow官网页面拉到最下面。直接跳过CPU部分。Tensorflow gpu 2.4.0 安装命令行执行pip install tensorflow-gpu2.4.0命令进行安装这里的版本号要根据自己的系统环境匹配确定。pipinstalltensorflow-gpu2.4.0Tensorflow GPU验证命令行进入python执行下面的命令执行import tensorflow as tf。这一行代码导入了一个名为 TensorFlow 的开源机器学习库。TensorFlow 提供了一系列的函数和类能够帮助我们进行深度学习或机器学习相关的任务。这里我们将其简化为tf以便在后续的代码中更方便地调用。执行命令tf.test.is_gpu_available()这个函数的作用是检查当前 TensorFlow 是否可以访问到图形处理器(GPU)。如果可以那么在进行深度学习等计算密集型任务时可以利用 GPU 来加速计算。该函数会返回一个布尔值如果返回 True表示当前环境下的 TensorFlow 可以使用 GPU如果返回 False则表示不能。Pychram 中测试这里建议先重启一下不然会出现显存不足的情况。import tensorflow as tf导入TensorFlow库这是一个用于深度学习和机器学习的库。import timeit导入timeit库这是一个用于测量小段代码执行时间的库。在CPU设备上cpu_a tf.random.normal([10000, 1000])在CPU上生成一个10000行1000列的随机正态分布矩阵。cpu_b tf.random.normal([1000, 2000])在CPU上生成一个1000行2000列的随机正态分布矩阵。print(cpu_a.device, cpu_b.device)打印两个矩阵的设备信息确认是否在CPU上。在GPU设备上gpu_a tf.random.normal([10000, 1000])在GPU上生成一个10000行1000列的随机正态分布矩阵。gpu_b tf.random.normal([1000, 2000])在GPU上生成一个1000行2000列的随机正态分布矩阵。print(gpu_a.device, gpu_b.device)打印两个矩阵的设备信息确认是否在GPU上。cpu_run()定义一个在CPU上进行矩阵乘法的函数。gpu_run()定义一个在GPU上进行矩阵乘法的函数。预热运行对cpu_run()和gpu_run()进行10次运行用于预热CPU和GPU。打印预热运行的时间。正式运行对cpu_run()和gpu_run()进行10次运行用于比较CPU和GPU执行矩阵乘法的速度。打印正式运行的时间。importtensorflowastfimporttimeitwithtf.device(/cpu:0):cpu_atf.random.normal([10000,1000])cpu_btf.random.normal([1000,2000])print(cpu_a.device,cpu_b.device)withtf.device(/gpu:0):gpu_atf.random.normal([10000,1000])gpu_btf.random.normal([1000,2000])print(gpu_a.device,gpu_b.device)defcpu_run():withtf.device(/cpu:0):ctf.matmul(cpu_a,cpu_b)returncdefgpu_run():withtf.device(/gpu:0):ctf.matmul(gpu_a,gpu_b)returnc# warm upcpu_timetimeit.timeit(cpu_run,number10)gpu_timetimeit.timeit(gpu_run,number10)print(warmup:,cpu_time,gpu_time)cpu_timetimeit.timeit(cpu_run,number10)gpu_timetimeit.timeit(gpu_run,number10)print(run time:,cpu_time,gpu_time)总结本指南详细介绍了 TensorFlow GPU 版本的环境配置流程包括 Python 版本选择、NVIDIA CUDA 和 cuDNN 的安装TensorFlow 的安装方式以及 GPU 运行测试方法。通过正确的配置用户可以高效地利用 GPU 进行深度学习计算大幅提升训练速度。希望本指南能帮助开发者快速搭建 TensorFlow 计算环境优化深度学习任务的执行效率。