简介面向深度学习初学者与需要搭建GPU训练环境的开发者这份PPT完整梳理了从Anaconda环境管理器安装、CUDA与cuDNN配置、TensorFlow-gpu版本部署到Keras环境搭建的全程操作路径并附有MNIST手写数字识别的Keras分类示例代码可直接对照实践。资源包含1个pptx演示文件压缩包约4.3MB内容以步骤截图和命令行说明为主涵盖NVIDIA显卡型号确认、CUDA版本选择如RTX 2060对应CUDA 10.0、环境变量设置、conda虚拟环境创建、指定版本安装等关键环节适合作为深度学习环境搭建的安装指导或教学演示材料。已有1673人浏览学习对刚入门TensorFlow、Keras的读者尤其实用可帮助规避版本不匹配和路径配置的常见坑快速完成从零到可运行的GPU训练环境部署。1. 深度学习环境不是玄学一份能照着装的 TensorFlow-gpu 落地清单做深度学习的同事十有八九在环境搭建上翻过车Anaconda 装好了CUDA 装好了Tensorflow-gpu 也一键装上了结果 import 时报个 DLL 缺失前面全部白干。这套环境不是玄学本质是版本对齐——Python 3.7 由 Anaconda 管CUDA 10.0 对应 Tensorflow-gpu 2.0cuDNN 补齐 GPU 上的卷积加速最后用 Keras 把模型拼起来。这份安装步骤 PPT 覆盖从 Anaconda 到 Cuda及cuDNN、再到 Tensorflow-gpu 与 Keras 的完整链路我按 RTX 2060 的 Windows 机器完整跑了一遍把能复现的路径、参数和坑整理成文适合刚搭 GPU 环境的从业者也适合想核对版本对应关系的熟手。2. Anaconda 安装与 Conda 环境管理装到 D 盘、配好 PATH、隔离依赖2.1 下载与安装为什么我坚持装到非系统盘原 PPT 的做法是登录 anaconda 官网点 download选择操作系统和版本下载到 D 盘再打开安装。我复现时也是这个路径不过实际下载时官网走的是海外分发速度经常不稳国内网络环境下我一般会换镜像源下载安装包版本一致后面的装法完全一样。下载时注意区分 Windows 和 macOS、64 位和 32 位现在基本都是 64 位。下载完双击安装安装路径别用默认的 C 盘用户目录下的 Anaconda3建议直接改到 D:\Anaconda3。原因很实际conda 环境后面会用掉十几个 G而且系统盘一旦重装C 盘里的环境全没了装到 D 盘还能整目录备份出问题删掉重装就行。安装过程中有两个勾选项值得说。一个是 Add Anaconda to my PATH environment variable个人使用我建议勾上这样 cmd 里直接能敲 conda团队机器上我不勾避免和已有的 Python 环境抢 PATH。另一个是 Register Anaconda as my default Python如果这台机器上已经装了别的 Python这个选项别勾否则所有 Python 脚本的默认解释器都会被改成 Anaconda。conda --version conda list逻辑说明conda --version确认命令可用conda list输出当前环境的包列表。能看到一长串包名就说明 Anaconda 本体正常。装完先跑这两条比任何界面验证都快也顺便在终端里确认一下 conda 指向的是刚装的那个 Anaconda 目录。参数说明conda list不带任何参数时显示 base 环境的包。后面激活虚拟环境后再跑它显示的就是那个环境的包列表这是最快判断当前在哪个环境的办法。2.2 PATH 配置conda 命令找不到怎么办装完 Anaconda 最常见的现象是打开 cmd 敲 conda提示不是内部或外部命令。原因就两个要么安装时没勾 Add to PATH要么是 Anaconda Prompt 能用但 cmd 不能用。Anaconda Prompt 启动时会自动加载 conda 的初始化脚本所以它永远能用cmd 能不能用取决于 PATH 里有没有 D:\Anaconda3 和 D:\Anaconda3\Scripts 这两条。如果当初勾过 PATH 还是找不到检查系统环境变量里这两条路径是否还在、有没有写对。安装路径改过的话PATH 里的路径也要跟着改。改完新开的终端才会生效老窗口不刷新。PATH 配好后我还会顺手验证一下 pip 的来源在 cmd 里跑pip --version看它指向的是 Anaconda 目录下的 pip 还是别的 Python 的 pip。翻车案例里最常见的就是 Terminal 里 conda 是 D 盘的pip 却是 C 盘 Python 下的两边各管各后面装 Keras 装错地方都查不出来。2.3 用 Conda 管环境虚拟环境是后悔药Anaconda 装好后第一步别急着装包先想清楚要不要用虚拟环境。窗口里的 base 环境相当于全家桶深度学习项目版本敏感度高我都是为项目单独建环境。建环境的命令后面安装 TensorFlow 时要用这里先把基础用法过一遍。conda create -n tf2 pip python3.7 conda info --envs conda activate tf2 conda deactivate逻辑说明create -n指定环境名pip python3.7表示在这个环境里预装 pip 并指定 Python 版本。conda info --envs显示已有环境列表带星号的是当前所在环境。activate进入环境deactivate退出。每个环境是独立目录互不影响这就是后悔药——环境搞坏了直接删掉重建不用重装 Anaconda。参数说明创建过程会列出一串要安装的包输入 y 确认。conda create和conda install在 Windows 下经常卡在 Solving environment一般等几分钟正常超过十分钟多半是源的问题这个在避坑章单独展开。命令作用conda create -n env python3.7创建环境并指定 Python 版本conda info --envs查看全部环境conda activate env进入环境conda deactivate退出环境conda list查看当前环境已装的包注意虚拟环境名尽量别跟包名重名。有人建了个叫 keras 的环境再装 keras 包时conda 会尝试解析同名环境行为会很奇怪。3. CUDA 与 cuDNN 的版本账RTX 2060 CUDA 10.0 的选型与配置3.1 版本对应关系先看 TensorFlow 要什么再回头挑 CUDA装 CUDA 之前先别急着去下载最新版。TensorFlow-gpu 的每个版本都对编译时的 CUDA 版本有固定要求装新不装旧在这里是翻车重灾区。原 PPT 里是 Tensorflow-gpu 2.0对应 CUDA 10.0、cuDNN 7.4这套对应关系在官方文档里有专门表格。正确的选型顺序应该是先定 TensorFlow 版本再看它要求的 CUDA 版本最后按 CUDA 版本选 cuDNN。TensorFlow-gpuPythonCUDAcuDNN1.153.6-3.710.07.42.03.5-3.710.07.42.33.5-3.810.17.6同时还要看显卡。RTX 2060 是图灵架构算力 7.5CUDA 10.0 能完整支持。如果显卡是特别老的 GTX 7 系列或特别新的 40 系列同一个 TensorFlow 版本配的 CUDA 可能不兼容那就要换 TensorFlow 版本而不是硬装 CUDA。显卡算力和 CUDA 版本的关系在 NVIDIA 的兼容表里能查到注意别只看显卡新不新。3.2 安装 CUDA Toolkitexe 安装里有一个不必装的组件在 NVIDIA 的 CUDA Toolkit Archive 页面找到 cuda_10.0.130_411.31_win10.exe下载后双击。安装方式选自定义组件列表里有一项是 NVIDIA Display Driver如果你的显卡驱动已经是 410 以上这一项可以取消勾选。原 PPT 是默认全装装完也能用但驱动版本比 Toolkit 新时多装一次没意义还有可能覆盖掉当前驱动造成显卡异常。安装目录建议用默认的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0后面 cuDNN 复制、环境变量配置都按这个路径来。装完打开 cmd 验证。nvcc --version nvidia-smi逻辑说明nvcc是 CUDA 编译器能输出版本信息就说明 Toolkit 装好了。nvidia-smi显示显卡驱动信息右上角的 CUDA Version 是当前驱动支持的 CUDA 最高版本不等于你装的 Toolkit 版本。很多人看到两个数字不一样就心慌其实是两回事。3.3 配置环境变量与复制 cuDNN三个文件放对位置安装时 CUDA 会自动生成 CUDA_PATH 和 CUDA_PATH_V10_0 两个系统变量。原 PPT 的截图里显示的却是 CUDA_PATH_V10_1这个对不上的问题我放到避坑章专门说。总之先打开系统环境变量窗口确认 CUDA_PATH 存在然后手动加一个 CUDA_SDK_PATH再把 PATH 里补四项。环境变量值CUDA_PATHC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0CUDA_SDK_PATHC:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0PATH 追加%CUDA_PATH%\binPATH 追加%CUDA_PATH%\lib\x64PATH 追加%CUDA_SDK_PATH%\bin\win64PATH 追加%CUDA_SDK_PATH%\common\bin\x64PATH 追加项在系统变量里编辑每条一行。这里用 %CUDA_PATH% 变量引用而不是写死路径后面升级 CUDA 版本时只要改 CUDA_PATH 本身PATH 不用动。这个习惯我从第一次配环境就开始用省了很多维护成本。cuDNN 需要在 NVIDIA 官网注册账号在 cuDNN 下载页选对应 CUDA 10.0 的版本下载的是一个压缩包。解压后里面是 bin、include、lib 三个目录把三个目录里的文件分别复制到 CUDA 安装目录下的同名目录里。源文件目标目录bin\cudnn64_7.dll...\CUDA\v10.0\bininclude\cudnn.h...\CUDA\v10.0\includelib\x64\cudnn.lib...\CUDA\v10.0\lib\x64复制完检查目标文件确实存在然后按原 PPT 的说法把 cuDNN 解压目录里的 bin 也加进环境变量。我按自己的习惯只加一个 %CUDA_PATH%\bin因为 cudnn64_7.dll 已经复制进了 CUDA 的 bin 目录不需要重复加。加多了反而容易让程序加载到错误路径下的同名 DLL。4. Tensorflow-gpu 与 Keras 安装虚拟环境、版本配对与依赖检查4.1 创建 tensorflow 环境那行命令为什么带 pip打开 Anaconda Prompt创建虚拟环境的命令是 conda create -n tensorflow pip python3.7。这里有两个点容易被忽略。一是环境名叫 tensorflow但可以随便取叫 tf2 或者 dl 都行二是命令里带了 pip意思是让 conda 在创建环境时把 pip 也装进去后面安装 TensorFlow 和 Keras 都用环境内的 pip避免用到 base 环境或系统 Python 的 pip。conda create -n tensorflow pip python3.7 conda info --envs conda activate tensorflow逻辑说明create 命令执行后 conda 会列出要安装的包清单输入 y 确认。python3.7 指定解释器版本。info --envs 查看是否创建成功。activate 进入环境后命令行前缀会变成 (tensorflow)后面的 pip install 都装进这个环境和 base 环境完全隔离。参数说明Python 版本必须和 TensorFlow 版本对上。TensorFlow 2.0 官方支持 Python 3.5-3.7所以 3.7 是当时的上限装到 3.8 会直接找不到匹配的 tensorflow-gpu 2.0。报错信息里出现usually comes with Python字样就是在提示你版本不匹配。4.2 安装 tensorflow-gpu2.0pip 与镜像源进入环境后执行 pip install tensorflow-gpu2.0。为什么用 pip 而不是 conda install原 PPT 用的是 pip我复现也推荐 pip。conda 里的 tensorflow-gpu 包更新比 PyPI 慢pip 更贴近官方安装说明。要特别注意不要直接 pip install tensorflow-gpu 不写版本那样会拉最新的 TensorFlow 2.x 高版本和 CUDA 10.0 大概率对不上。pip install tensorflow-gpu2.0 # 用 findstr 过滤只看 tensorflow 相关包 pip list | findstr tensorflow逻辑说明第一行安装指定版本。第二行通过 findstr 过滤输出能看到 tensorflow-gpu 2.0.0、tensorflow-estimator 等包确认装的是 2.0 而不是 2.x 全家桶。如果 pip 下载慢加 -i 参数走镜像源pip install tensorflow-gpu2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple这是国内网络下的常见做法不影响依赖判断。装完别急着跑 Demo先确认 pip 和环境里 TensorFlow 的对应关系。方法是在 tensorflow 环境下输入 python 进入解释器import tensorflow as tf然后看 tf.version。如果打印的是 2.0.0 说明环境干净如果打印出来是 1.x那多半是混装了其他环境里的包这是后面排查问题的重要依据。4.3 Keras 安装独立 Keras 与 tf.keras 的边界原 PPT 在 TensorFlow 装完后接着 pip install keras并且推荐 keras2.3.1。这里有个背景要讲清楚TensorFlow 2.0 开始内置了 tf.keras如果你只用 TensorFlow 训练模型直接 from tensorflow import keras 就行不用单独装。但如果你需要独立的 keras 包比如课程要求 import keras 这种写法那就得装和 TF 2.0 配套的 2.3.1。pip install keras2.3.1 python -c import keras; print(keras.__version__)逻辑说明指定 2.3.1 是为了和 tensorflow-gpu 2.0 配套。如果直接 pip install keras 不写版本2020 年之后装到的是 Keras 3.x那是给 TensorFlow 2.16 用的和 TF 2.0 混装会出现版本冲突import 时报错或者用 tf API 时行为异常。装完打印版本确认。还有后端的指向问题。独立 Keras 通过 keras.json 配置文件指定后端默认是 tensorflow。如果机器上还装过其他后端框架后端不在 tensorflow 上Keras 调用时会一直卡在 Loading backend。检查方法打开用户目录下的 .keras/keras.json看 backend 字段是不是 tensorflow。5. 避坑排查四个最常见的装完不工作场景安装步骤看起来顺真正跑起来才会暴露问题。下面四个场景是我当时完整复现过程中实际遇到的或明确能复现的每一条按现象、原因、解决三步写。5.1 现象import tensorflow 后跑 tf.Session() 报 AttributeError原 PPT 里的测试代码是这样的import tensorflow as tf sess tf.Session() a tf.constant(1) b tf.constant(2) print(sess.run(a b))在 tensorflow-gpu 2.0 环境里这一跑就会报AttributeError: module tensorflow has no attribute Session。原因tf.Session() 是 TensorFlow 1.x 的写法。TensorFlow 2.0 把 Session、placeholder 这些 1.x API 移到了 tf.compat.v1 模块直接访问 tf.Session 在 2.0 里不存在。解决要么改成tf.compat.v1.Session()要么直接用 2.0 的 eager 执行方式tf.constant(1) tf.constant(2)直接 print不需要 Session。如果课程必须要求老式 Session 写法那得用 tensorflow1.15 配合 CUDA 10.0别和 2.0 混着装。5.2 现象Could not load dynamic library cudnn64_7.dll跑 TensorFlow 时最怕的就是这行报错后面往往还跟一句 Cannot dlopen some GPU libraries。原因cudnn64_7.dll 是 cuDNN 的运行时库TensorFlow 加载 CUDA 时按 PATH 里的目录去找它。报这个错基本是 cuDNN 没复制到 CUDA 的 bin 目录或者复制了但版本不对。TensorFlow 2.0 找的是 cudnn64_7.dll如果你下载的 cuDNN 对应的是 CUDA 10.1 版本文件名会变成 cudnn64_8.dll找不到 7 自然报错。解决回到第 3.3 节的复制表格确认 bin\cudnn64_7.dll 存在并且 PATH 里有 %CUDA_PATH%\bin。复制完记住要新开终端再跑因为 PATH 是终端启动时加载的老窗口里改的配置不生效。5.3 现象环境变量里是 CUDA_PATH_V10_1我装的是 10.0原 PPT 下载安装包是 cuda_10.0.130环境变量截图里却出现了 CUDA_PATH_V10_1这个版本号对不上不是个例。原因CUDA Toolkit 的安装程序可能因为系统里残留的注册表键或旧版本信息生成带其他后缀的变量名V10_1 和 V10_0 并存的情况确实存在。解决以实际存在的变量名为准。打开系统环境变量看 CUDA_PATH 指向哪个目录再看看有没有 V10_0 或 V10_1。TensorFlow 找的是 PATH 里的 bin 目录不依赖 CUDA_PATH_V10_x 这个名字所以 PATH 里的引用用 %CUDA_PATH%\bin 最稳别写死 v10.0 路径。5.4 现象conda create 卡在 Solving environment 或 SSL 错误建环境时输出停在 Solving environment 出不来或者直接报 SSL 相关错误。原因conda 默认使用官方 channel国内网络下解析元数据和下载都慢表现为长时间不动或 SSL 握手失败。原 PPT 的建环境流程没问题问题出在源上。解决常见做法是给 conda 配镜像源在用户目录下的 .condarc 里写 channels 配置pip 那侧用 -i 参数走镜像。配完后如果还是慢把 conda 的 repodata 缓存清掉再试。改完源后安装时看输出里的 channel 名确认走的是镜像。6. 用 Keras 分类示例做终检GPU 是否真的在跑6.1 先确认 GPU 被 TensorFlow 认到import tensorflow as tf # 检查 CUDA 和 cuDNN 是否可见 print(tf.test.is_gpu_available(cuda_onlyTrue)) print(tf.test.gpu_device_name())is_gpu_available 返回 True并且 gpu_device_name 输出 /device:GPU:0说明 TensorFlow 已经拿到了 GPU。这个接口只检查 CUDA 和 cuDNN 是否可见不检查算力是否被支持。如果返回 False优先回到第 5.2 节查 DLL。6.2 跑一个最小的 MNIST 分类 Demofrom keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense (x_train, y_train), (x_test, y_test) mnist.load_data() # 展开成 784 维并归一化 x_train x_train.reshape(60000, 784).astype(float32) / 255 x_test x_test.reshape(10000, 784).astype(float32) / 255 model Sequential() model.add(Dense(128, activationrelu, input_shape(784,))) model.add(Dense(10, activationsoftmax)) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) model.fit(x_train, y_train, batch_size128, epochs3)这是一个只跑到 fit 阶段的最小示例。加载 mnist、展开成 784 维、归一化、两层网络、adam 优化。fit 执行时如果 GPU 在跑训练速度会明显比纯 CPU 快epoch 耗时从十几秒降到两三秒。这一步是整条链路最终体检比单独跑 tf 算加法更能暴露 Keras 后端和 TensorFlow 的衔接问题。那次复现之后我给自己定了个规矩每次搭 GPU 环境装完必须跑通这个 fit 才算完。DLL 缺失、版本错位、Session 重影都在这一步现形。后来同事装环境我都是直接甩这一段代码跑通再开始调模型。希望帮到你。本文还有配套的精品资源点击获取
简介面向深度学习初学者与需要搭建GPU训练环境的开发者这份PPT完整梳理了从Anaconda环境管理器安装、CUDA与cuDNN配置、TensorFlow-gpu版本部署到Keras环境搭建的全程操作路径并附有MNIST手写数字识别的Keras分类示例代码可直接对照实践。资源包含1个pptx演示文件压缩包约4.3MB内容以步骤截图和命令行说明为主涵盖NVIDIA显卡型号确认、CUDA版本选择如RTX 2060对应CUDA 10.0、环境变量设置、conda虚拟环境创建、指定版本安装等关键环节适合作为深度学习环境搭建的安装指导或教学演示材料。已有1673人浏览学习对刚入门TensorFlow、Keras的读者尤其实用可帮助规避版本不匹配和路径配置的常见坑快速完成从零到可运行的GPU训练环境部署。1. 深度学习环境不是玄学一份能照着装的 TensorFlow-gpu 落地清单做深度学习的同事十有八九在环境搭建上翻过车Anaconda 装好了CUDA 装好了Tensorflow-gpu 也一键装上了结果 import 时报个 DLL 缺失前面全部白干。这套环境不是玄学本质是版本对齐——Python 3.7 由 Anaconda 管CUDA 10.0 对应 Tensorflow-gpu 2.0cuDNN 补齐 GPU 上的卷积加速最后用 Keras 把模型拼起来。这份安装步骤 PPT 覆盖从 Anaconda 到 Cuda及cuDNN、再到 Tensorflow-gpu 与 Keras 的完整链路我按 RTX 2060 的 Windows 机器完整跑了一遍把能复现的路径、参数和坑整理成文适合刚搭 GPU 环境的从业者也适合想核对版本对应关系的熟手。2. Anaconda 安装与 Conda 环境管理装到 D 盘、配好 PATH、隔离依赖2.1 下载与安装为什么我坚持装到非系统盘原 PPT 的做法是登录 anaconda 官网点 download选择操作系统和版本下载到 D 盘再打开安装。我复现时也是这个路径不过实际下载时官网走的是海外分发速度经常不稳国内网络环境下我一般会换镜像源下载安装包版本一致后面的装法完全一样。下载时注意区分 Windows 和 macOS、64 位和 32 位现在基本都是 64 位。下载完双击安装安装路径别用默认的 C 盘用户目录下的 Anaconda3建议直接改到 D:\Anaconda3。原因很实际conda 环境后面会用掉十几个 G而且系统盘一旦重装C 盘里的环境全没了装到 D 盘还能整目录备份出问题删掉重装就行。安装过程中有两个勾选项值得说。一个是 Add Anaconda to my PATH environment variable个人使用我建议勾上这样 cmd 里直接能敲 conda团队机器上我不勾避免和已有的 Python 环境抢 PATH。另一个是 Register Anaconda as my default Python如果这台机器上已经装了别的 Python这个选项别勾否则所有 Python 脚本的默认解释器都会被改成 Anaconda。conda --version conda list逻辑说明conda --version确认命令可用conda list输出当前环境的包列表。能看到一长串包名就说明 Anaconda 本体正常。装完先跑这两条比任何界面验证都快也顺便在终端里确认一下 conda 指向的是刚装的那个 Anaconda 目录。参数说明conda list不带任何参数时显示 base 环境的包。后面激活虚拟环境后再跑它显示的就是那个环境的包列表这是最快判断当前在哪个环境的办法。2.2 PATH 配置conda 命令找不到怎么办装完 Anaconda 最常见的现象是打开 cmd 敲 conda提示不是内部或外部命令。原因就两个要么安装时没勾 Add to PATH要么是 Anaconda Prompt 能用但 cmd 不能用。Anaconda Prompt 启动时会自动加载 conda 的初始化脚本所以它永远能用cmd 能不能用取决于 PATH 里有没有 D:\Anaconda3 和 D:\Anaconda3\Scripts 这两条。如果当初勾过 PATH 还是找不到检查系统环境变量里这两条路径是否还在、有没有写对。安装路径改过的话PATH 里的路径也要跟着改。改完新开的终端才会生效老窗口不刷新。PATH 配好后我还会顺手验证一下 pip 的来源在 cmd 里跑pip --version看它指向的是 Anaconda 目录下的 pip 还是别的 Python 的 pip。翻车案例里最常见的就是 Terminal 里 conda 是 D 盘的pip 却是 C 盘 Python 下的两边各管各后面装 Keras 装错地方都查不出来。2.3 用 Conda 管环境虚拟环境是后悔药Anaconda 装好后第一步别急着装包先想清楚要不要用虚拟环境。窗口里的 base 环境相当于全家桶深度学习项目版本敏感度高我都是为项目单独建环境。建环境的命令后面安装 TensorFlow 时要用这里先把基础用法过一遍。conda create -n tf2 pip python3.7 conda info --envs conda activate tf2 conda deactivate逻辑说明create -n指定环境名pip python3.7表示在这个环境里预装 pip 并指定 Python 版本。conda info --envs显示已有环境列表带星号的是当前所在环境。activate进入环境deactivate退出。每个环境是独立目录互不影响这就是后悔药——环境搞坏了直接删掉重建不用重装 Anaconda。参数说明创建过程会列出一串要安装的包输入 y 确认。conda create和conda install在 Windows 下经常卡在 Solving environment一般等几分钟正常超过十分钟多半是源的问题这个在避坑章单独展开。命令作用conda create -n env python3.7创建环境并指定 Python 版本conda info --envs查看全部环境conda activate env进入环境conda deactivate退出环境conda list查看当前环境已装的包注意虚拟环境名尽量别跟包名重名。有人建了个叫 keras 的环境再装 keras 包时conda 会尝试解析同名环境行为会很奇怪。3. CUDA 与 cuDNN 的版本账RTX 2060 CUDA 10.0 的选型与配置3.1 版本对应关系先看 TensorFlow 要什么再回头挑 CUDA装 CUDA 之前先别急着去下载最新版。TensorFlow-gpu 的每个版本都对编译时的 CUDA 版本有固定要求装新不装旧在这里是翻车重灾区。原 PPT 里是 Tensorflow-gpu 2.0对应 CUDA 10.0、cuDNN 7.4这套对应关系在官方文档里有专门表格。正确的选型顺序应该是先定 TensorFlow 版本再看它要求的 CUDA 版本最后按 CUDA 版本选 cuDNN。TensorFlow-gpuPythonCUDAcuDNN1.153.6-3.710.07.42.03.5-3.710.07.42.33.5-3.810.17.6同时还要看显卡。RTX 2060 是图灵架构算力 7.5CUDA 10.0 能完整支持。如果显卡是特别老的 GTX 7 系列或特别新的 40 系列同一个 TensorFlow 版本配的 CUDA 可能不兼容那就要换 TensorFlow 版本而不是硬装 CUDA。显卡算力和 CUDA 版本的关系在 NVIDIA 的兼容表里能查到注意别只看显卡新不新。3.2 安装 CUDA Toolkitexe 安装里有一个不必装的组件在 NVIDIA 的 CUDA Toolkit Archive 页面找到 cuda_10.0.130_411.31_win10.exe下载后双击。安装方式选自定义组件列表里有一项是 NVIDIA Display Driver如果你的显卡驱动已经是 410 以上这一项可以取消勾选。原 PPT 是默认全装装完也能用但驱动版本比 Toolkit 新时多装一次没意义还有可能覆盖掉当前驱动造成显卡异常。安装目录建议用默认的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0后面 cuDNN 复制、环境变量配置都按这个路径来。装完打开 cmd 验证。nvcc --version nvidia-smi逻辑说明nvcc是 CUDA 编译器能输出版本信息就说明 Toolkit 装好了。nvidia-smi显示显卡驱动信息右上角的 CUDA Version 是当前驱动支持的 CUDA 最高版本不等于你装的 Toolkit 版本。很多人看到两个数字不一样就心慌其实是两回事。3.3 配置环境变量与复制 cuDNN三个文件放对位置安装时 CUDA 会自动生成 CUDA_PATH 和 CUDA_PATH_V10_0 两个系统变量。原 PPT 的截图里显示的却是 CUDA_PATH_V10_1这个对不上的问题我放到避坑章专门说。总之先打开系统环境变量窗口确认 CUDA_PATH 存在然后手动加一个 CUDA_SDK_PATH再把 PATH 里补四项。环境变量值CUDA_PATHC:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0CUDA_SDK_PATHC:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0PATH 追加%CUDA_PATH%\binPATH 追加%CUDA_PATH%\lib\x64PATH 追加%CUDA_SDK_PATH%\bin\win64PATH 追加%CUDA_SDK_PATH%\common\bin\x64PATH 追加项在系统变量里编辑每条一行。这里用 %CUDA_PATH% 变量引用而不是写死路径后面升级 CUDA 版本时只要改 CUDA_PATH 本身PATH 不用动。这个习惯我从第一次配环境就开始用省了很多维护成本。cuDNN 需要在 NVIDIA 官网注册账号在 cuDNN 下载页选对应 CUDA 10.0 的版本下载的是一个压缩包。解压后里面是 bin、include、lib 三个目录把三个目录里的文件分别复制到 CUDA 安装目录下的同名目录里。源文件目标目录bin\cudnn64_7.dll...\CUDA\v10.0\bininclude\cudnn.h...\CUDA\v10.0\includelib\x64\cudnn.lib...\CUDA\v10.0\lib\x64复制完检查目标文件确实存在然后按原 PPT 的说法把 cuDNN 解压目录里的 bin 也加进环境变量。我按自己的习惯只加一个 %CUDA_PATH%\bin因为 cudnn64_7.dll 已经复制进了 CUDA 的 bin 目录不需要重复加。加多了反而容易让程序加载到错误路径下的同名 DLL。4. Tensorflow-gpu 与 Keras 安装虚拟环境、版本配对与依赖检查4.1 创建 tensorflow 环境那行命令为什么带 pip打开 Anaconda Prompt创建虚拟环境的命令是 conda create -n tensorflow pip python3.7。这里有两个点容易被忽略。一是环境名叫 tensorflow但可以随便取叫 tf2 或者 dl 都行二是命令里带了 pip意思是让 conda 在创建环境时把 pip 也装进去后面安装 TensorFlow 和 Keras 都用环境内的 pip避免用到 base 环境或系统 Python 的 pip。conda create -n tensorflow pip python3.7 conda info --envs conda activate tensorflow逻辑说明create 命令执行后 conda 会列出要安装的包清单输入 y 确认。python3.7 指定解释器版本。info --envs 查看是否创建成功。activate 进入环境后命令行前缀会变成 (tensorflow)后面的 pip install 都装进这个环境和 base 环境完全隔离。参数说明Python 版本必须和 TensorFlow 版本对上。TensorFlow 2.0 官方支持 Python 3.5-3.7所以 3.7 是当时的上限装到 3.8 会直接找不到匹配的 tensorflow-gpu 2.0。报错信息里出现usually comes with Python字样就是在提示你版本不匹配。4.2 安装 tensorflow-gpu2.0pip 与镜像源进入环境后执行 pip install tensorflow-gpu2.0。为什么用 pip 而不是 conda install原 PPT 用的是 pip我复现也推荐 pip。conda 里的 tensorflow-gpu 包更新比 PyPI 慢pip 更贴近官方安装说明。要特别注意不要直接 pip install tensorflow-gpu 不写版本那样会拉最新的 TensorFlow 2.x 高版本和 CUDA 10.0 大概率对不上。pip install tensorflow-gpu2.0 # 用 findstr 过滤只看 tensorflow 相关包 pip list | findstr tensorflow逻辑说明第一行安装指定版本。第二行通过 findstr 过滤输出能看到 tensorflow-gpu 2.0.0、tensorflow-estimator 等包确认装的是 2.0 而不是 2.x 全家桶。如果 pip 下载慢加 -i 参数走镜像源pip install tensorflow-gpu2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple这是国内网络下的常见做法不影响依赖判断。装完别急着跑 Demo先确认 pip 和环境里 TensorFlow 的对应关系。方法是在 tensorflow 环境下输入 python 进入解释器import tensorflow as tf然后看 tf.version。如果打印的是 2.0.0 说明环境干净如果打印出来是 1.x那多半是混装了其他环境里的包这是后面排查问题的重要依据。4.3 Keras 安装独立 Keras 与 tf.keras 的边界原 PPT 在 TensorFlow 装完后接着 pip install keras并且推荐 keras2.3.1。这里有个背景要讲清楚TensorFlow 2.0 开始内置了 tf.keras如果你只用 TensorFlow 训练模型直接 from tensorflow import keras 就行不用单独装。但如果你需要独立的 keras 包比如课程要求 import keras 这种写法那就得装和 TF 2.0 配套的 2.3.1。pip install keras2.3.1 python -c import keras; print(keras.__version__)逻辑说明指定 2.3.1 是为了和 tensorflow-gpu 2.0 配套。如果直接 pip install keras 不写版本2020 年之后装到的是 Keras 3.x那是给 TensorFlow 2.16 用的和 TF 2.0 混装会出现版本冲突import 时报错或者用 tf API 时行为异常。装完打印版本确认。还有后端的指向问题。独立 Keras 通过 keras.json 配置文件指定后端默认是 tensorflow。如果机器上还装过其他后端框架后端不在 tensorflow 上Keras 调用时会一直卡在 Loading backend。检查方法打开用户目录下的 .keras/keras.json看 backend 字段是不是 tensorflow。5. 避坑排查四个最常见的装完不工作场景安装步骤看起来顺真正跑起来才会暴露问题。下面四个场景是我当时完整复现过程中实际遇到的或明确能复现的每一条按现象、原因、解决三步写。5.1 现象import tensorflow 后跑 tf.Session() 报 AttributeError原 PPT 里的测试代码是这样的import tensorflow as tf sess tf.Session() a tf.constant(1) b tf.constant(2) print(sess.run(a b))在 tensorflow-gpu 2.0 环境里这一跑就会报AttributeError: module tensorflow has no attribute Session。原因tf.Session() 是 TensorFlow 1.x 的写法。TensorFlow 2.0 把 Session、placeholder 这些 1.x API 移到了 tf.compat.v1 模块直接访问 tf.Session 在 2.0 里不存在。解决要么改成tf.compat.v1.Session()要么直接用 2.0 的 eager 执行方式tf.constant(1) tf.constant(2)直接 print不需要 Session。如果课程必须要求老式 Session 写法那得用 tensorflow1.15 配合 CUDA 10.0别和 2.0 混着装。5.2 现象Could not load dynamic library cudnn64_7.dll跑 TensorFlow 时最怕的就是这行报错后面往往还跟一句 Cannot dlopen some GPU libraries。原因cudnn64_7.dll 是 cuDNN 的运行时库TensorFlow 加载 CUDA 时按 PATH 里的目录去找它。报这个错基本是 cuDNN 没复制到 CUDA 的 bin 目录或者复制了但版本不对。TensorFlow 2.0 找的是 cudnn64_7.dll如果你下载的 cuDNN 对应的是 CUDA 10.1 版本文件名会变成 cudnn64_8.dll找不到 7 自然报错。解决回到第 3.3 节的复制表格确认 bin\cudnn64_7.dll 存在并且 PATH 里有 %CUDA_PATH%\bin。复制完记住要新开终端再跑因为 PATH 是终端启动时加载的老窗口里改的配置不生效。5.3 现象环境变量里是 CUDA_PATH_V10_1我装的是 10.0原 PPT 下载安装包是 cuda_10.0.130环境变量截图里却出现了 CUDA_PATH_V10_1这个版本号对不上不是个例。原因CUDA Toolkit 的安装程序可能因为系统里残留的注册表键或旧版本信息生成带其他后缀的变量名V10_1 和 V10_0 并存的情况确实存在。解决以实际存在的变量名为准。打开系统环境变量看 CUDA_PATH 指向哪个目录再看看有没有 V10_0 或 V10_1。TensorFlow 找的是 PATH 里的 bin 目录不依赖 CUDA_PATH_V10_x 这个名字所以 PATH 里的引用用 %CUDA_PATH%\bin 最稳别写死 v10.0 路径。5.4 现象conda create 卡在 Solving environment 或 SSL 错误建环境时输出停在 Solving environment 出不来或者直接报 SSL 相关错误。原因conda 默认使用官方 channel国内网络下解析元数据和下载都慢表现为长时间不动或 SSL 握手失败。原 PPT 的建环境流程没问题问题出在源上。解决常见做法是给 conda 配镜像源在用户目录下的 .condarc 里写 channels 配置pip 那侧用 -i 参数走镜像。配完后如果还是慢把 conda 的 repodata 缓存清掉再试。改完源后安装时看输出里的 channel 名确认走的是镜像。6. 用 Keras 分类示例做终检GPU 是否真的在跑6.1 先确认 GPU 被 TensorFlow 认到import tensorflow as tf # 检查 CUDA 和 cuDNN 是否可见 print(tf.test.is_gpu_available(cuda_onlyTrue)) print(tf.test.gpu_device_name())is_gpu_available 返回 True并且 gpu_device_name 输出 /device:GPU:0说明 TensorFlow 已经拿到了 GPU。这个接口只检查 CUDA 和 cuDNN 是否可见不检查算力是否被支持。如果返回 False优先回到第 5.2 节查 DLL。6.2 跑一个最小的 MNIST 分类 Demofrom keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense (x_train, y_train), (x_test, y_test) mnist.load_data() # 展开成 784 维并归一化 x_train x_train.reshape(60000, 784).astype(float32) / 255 x_test x_test.reshape(10000, 784).astype(float32) / 255 model Sequential() model.add(Dense(128, activationrelu, input_shape(784,))) model.add(Dense(10, activationsoftmax)) model.compile(optimizeradam, losssparse_categorical_crossentropy, metrics[accuracy]) model.fit(x_train, y_train, batch_size128, epochs3)这是一个只跑到 fit 阶段的最小示例。加载 mnist、展开成 784 维、归一化、两层网络、adam 优化。fit 执行时如果 GPU 在跑训练速度会明显比纯 CPU 快epoch 耗时从十几秒降到两三秒。这一步是整条链路最终体检比单独跑 tf 算加法更能暴露 Keras 后端和 TensorFlow 的衔接问题。那次复现之后我给自己定了个规矩每次搭 GPU 环境装完必须跑通这个 fit 才算完。DLL 缺失、版本错位、Session 重影都在这一步现形。后来同事装环境我都是直接甩这一段代码跑通再开始调模型。希望帮到你。本文还有配套的精品资源点击获取
平方复杂度无法被常规优化消除｜TaoToken 统一 Key 通道实测)
