tensorflow1 tensorflow 2 安装配置（cpu+gpu）windows+linux_tensorflow版本
赞
踩
tensorflow1和2的安装部署，演示2.14版本（最新是2.15版本）
windows和linux用法一致，我是在win10和ubuntu2204下都手动测试过的
本文使用的conda的方式，2023年12月10日更新
如果中间有任何报错，参考最后一节的处理
链接：tensorflow官网
注意：如果因为网络问题出现错误或卡住，多次尝试，或者设置国内源或者其他方式。
一、基本配置
1.需要安装anaconda
如果没有安装，按照我的这个教程（windows和linux都有）：
因为notebook使用很方便，所以不要用miniconda，那样就没有notebook！
链接: anaconda安装
当然如果不用notebook，也可以安装miniconda，
链接：miniconda安装
初学者建议用cpu版本，gpu配置相对复杂，坑多
我这里的教程是直接装完包括依赖的，无需手动编译
2.gpu版本需要cuda和cudnn
在gpu的conda环境里面安装即可，建议也在系统环境中安装
cuda11.8，cudnn 8.6
链接：cuda安装（linux）
链接：cuda安装（windows）
3.windows用户想使用linux的
可以参考我的linux安装图解（详细）
unbuntu：ubuntu2204安装
debian: debian 11 12安装
二、安装tensorflow1.15（1的最后一个cpu版本）
在windows和linux下一致。
由于现在主要用2了，1就用cpu版本吧，ts1的gpu版本用的cuda8，版本过老，很多现在的显卡已经不能很好支持。
1.15是tensorflow1的最后一个版本，已经多年不再更新了，如果装2跳过这一步。
1.安装python3.6环境
conda create -n tensorflow python=3.6
- 1
2.激活环境
conda activate tensorflow
- 1
3.安装tensorflow1.15
通过国内源安装
pip install tensorflow==1.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
4.方便在notebook中使用
通过国内源安装
pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
python -m ipykernel install --name tensorflow
- 1
5.打开notebook后，可以看到tensorflow的环境了
6.验证
打开notebook，输入以下并运行，显示版本号即可
import tensorflow as tf
print(tf.__version__)
- 1
- 2
三、安装tensorflow2.15.0（cpu版本）
更新这篇时（2023.12.10），最新版为2.15.0，以此为演示
官方给的兼容性：tensorflow兼容性
1.安装python3.10环境（3.9-3.11之间）
这里选用3.10的python
conda create -n tensorflow2_cpu python=3.10
- 1
激活环境
conda activate tensorflow2_cpu
- 1
2.安装tensorflow2.15.0
pip install tensorflow-cpu==2.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
3.适配notebook
pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
python -m ipykernel install --name tensorflow2_cpu
- 1
4.验证
打开notebook，输入以下并运行，显示版本号即可
import tensorflow as tf
print(tf.__version__)
- 1
- 2
四、安装tensorflow2.14（gpu版本，仅限于linux）
2.12版本后，没有tensorflow-gpu这个分支了，实际上tf2对gpu的支持是自动的，但是考虑到不同版本的方便性，所以我是分开来装
由于一直在linux上部署安装，没注意到新gpu版本的变化，新版本gpu版对于windows用户相对麻烦，wsl可以尝试，不过可能坑比较多。这里就不额外写了。如果非要用windows，安装早一点的版本吧。
可以不看兼容性：官方兼容性网址
因为我装的是cuda11.8，所以选用了2.14版本
1.安装python3.10环境（3.9-3.11之间）
这里选用3.10的python
conda create -n tensorflow2_gpu python=3.10
- 1
激活环境
conda activate tensorflow2_gpu
- 1
2.安装
pip install tensorflow==2.14.0 -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
3.适配notebook
pip install ipykernel -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
python -m ipykernel install --name tensorflow2_gpu
- 1
4.在conda环境中安装cuda和cudnn
然后在conda环境中安装，比如下面的。
注意版本
安装cuda，当然如果在系统环境中安装过可以跳过
conda install -c conda-forge cudatoolkit=11.8
- 1
安装cudnn
pip install nvidia-cudnn-cu11==8.7.0.84 -i https://pypi.tuna.tsinghua.edu.cn/simple/
- 1
5.验证
在notebook中输入下面的进行验证
import tensorflow as tf
tf.config.list_physical_devices('GPU')
- 1
- 2
结果类似如下：
五、其它问题和解决
1.如何使用指定的环境进行开发
方法一：在notebook中写
方法二：使用命令行进入conda的指定环境，然后使用
方法三：使用远程开发，本地安装开发工具，同时远程连接命令行
2.cpu优化使用avx2
使用的时候可能会提示开启avx2的字样（可以不管他）
avx2能够加速cpu，需要cpu的支持和在bios中开启，开启avx2可能会显著增加功耗
3.successful NUMA node read from SysFS had negative value (-1)
报错如下
successful NUMA node read from SysFS had negative value (-1), but there must be at least one NUMA node, so returning NUMA node zero
链接：解决numa报错
解决思路就是指定gpu，完成后不会报错，根据上面的链接的方法，可以有效的解决问题，我这里再操作写一次：
查找N卡
lspci | grep -i nvidia
- 1
注意前面的这个设备号，每个人不一样，找到你需要的显卡前面的数字，下面有用。
显示所有的pcie设备
下面的命令，可以看到上面的设备号对应的文件夹
cd /sys/bus/pci/devices/ && ls
- 1
指定gpu
echo 0 | tee -a /sys/bus/pci/devices/0000:21:00.0/numa_node
- 1
4.Cannot dlopen some GPU libraries
cuddn没有装好的问题
解决方法是在conda里面装cudnn
5.配置环境变量（自动激活方式）
gpu版本如果出现问题
这种方式不需要每次手动配置这个环境下的环境变量
创建配置文件
mkdir -p $CONDA_PREFIX/etc/conda/activate.d
- 1
使用命令写入环境变量
echo 'CUDNN_PATH=$(dirname $(python -c "import nvidia.cudnn;print(nvidia.cudnn.__file__)"))' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
- 1
echo 'export LD_LIBRARY_PATH=$CONDA_PREFIX/lib/:$CUDNN_PATH/lib:$LD_LIBRARY_PATH' >> $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
- 1
刷新环境变量（上面的操作会在每次进入conda环境后自动加载，下面这条是首次加载）
source $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh
- 1
