??本文介紹在Anaconda環境中，配置可以用GPU運行的Python新版tensorflow庫的方法。

??在上一篇文章Anaconda配置Python新版本tensorflow庫（CPU、GPU通用）的方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/129285815）中，我們詳細介紹了CPU、GPU通用的新版tensorflow庫的配置方法；本文就在這一篇文章的基礎之上，繼續介紹如果希望讓GPU參與到計算中，我們該如何進一步配置對應的環境。如果大家此時還沒有配置tensorflow庫，那么就先將前述這一篇文章的流程完成后，再繼續本文的步驟即可。

??這里需要注意，tensorflow庫在2.11及以上的版本中，都取消了對Windows平臺的GPU支持（我試了一下，就算裝了WSL也不行）；而在撰寫本文時，用的是2.6.2版本的tensorflow庫，因此是沒有問題的。所以大家如果裝了2.10及以下版本的tensorflow庫，就繼續向后看本文即可；如果此時已經裝了2.11及以上版本的tensorflow庫，那么可以首先通過如下的代碼將tensorflow庫更換為2.10版本的（執行這一代碼時，將自動刪除原有的2.11及以上版本的tensorflow庫），再繼續看本文。

pip install --user "tensorflow<2.11"

??前面我們提到，當時雖然已經配置完畢了新版tensorflow庫，但是如果運行代碼，還是會出現如下圖所示的提示信息，即我們還沒有配置好GPU運行的環境。

??其中，如果大家的電腦上是沒有GPU，或者就不需要用GPU加以計算，那就不用管這個問題，直接開始編寫、運行機器學習的代碼就好了；但是對于電腦中有GPU并且也希望讓GPU加入運算的用戶而言，就需要加以進一步的配置工作。具體流程如下。

1 系統版本要求

??如果需要用本文所述的GPU環境配置方法，需要保證Windows操作系統的版本在19044及以上；如果不滿足這一條件，除了升級系統，就只能通過早期版本的tensorflow庫來實現GPU運算了。

2 GPU設置

??首先，我們需要打開Anaconda Prompt軟件；隨后，可以輸入如下所示的代碼，從而查看我們的GPU狀態。

nvidia-smi

??運行上述代碼后，如下圖所示，即為我們的GPU狀態。如果無法出現如下圖所示的信息，則很大概率是沒有安裝驅動（NVIDIA Driver），大家可以到其官方網站中下載。

??隨后，我們即可配置CUDA與cuDNN；其中CUDA是NVIDIA為其生產的GPU所研發的一種并行計算架構，而cuDNN則是NVIDIA專門為深度神經網絡運行而提供的一個加速庫。這二者目前網上很多教程是通過手動到NVIDIA官方網站上下載、安裝的，相對較為麻煩；而這里我們既然已經用了新版本的tensorflow庫，那么就可以直接在命令行實現二者的下載與配置。

??我們輸入如下所示的代碼。

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1.0

??隨后，運行上述代碼，如下圖所示。

??隨后，輸入y，即可確認開始下載、配置CUDA與cuDNN。稍等片刻，出現如下圖所示的情況，說明二者已經配置完畢。

??至此，CUDA與cuDNN的設置已經完畢。但是，為了讓這二者可以正常使用，我們還需要配置系統路徑。關于這一步的內容，大家可以直接用管理員身份打開Windows PowerShell軟件來進行配置，如下圖所示。

??隨后，分別輸入并運行以下兩句代碼。

mkdir -p $CONDA_PREFIX/etc/conda/activate.d echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' > $CONDA_PREFIX/etc/conda/activate.d/env_vars.sh

??運行后如下圖所示。

??至此，就完全完成了GPU方面的配置工作。

3 WSL2配置

??此外，我們還需要配置WSL2。WSL是“適用于Linux 的Windows 子系統”，我們需要配置這一環境，為后面的GPU運算提供條件。

??關于WSL2的介紹與手動配置方法，大家可以直接查看其官方網站；我們這里就介紹通過命令行的簡單的配置方法。

??首先，依然是在管理員身份打開的Windows PowerShell軟件中，我們輸入如下所示的代碼。

wsl --install

??隨后，即可開始安裝WSL2；稍等片刻，出現如下圖所示的提示，說明WSL2已經配置完畢；此時，需要重啟一次電腦。

4 配置結果驗證

??至此，已經完成了GPU運算所需要的全部配置步驟。如果大家是在一個新的虛擬環境中配置的上述內容，就可以按照文章Anaconda為虛擬環境安裝第三方庫與Spyder等軟件的方法（https://blog.csdn.net/zhebushibiaoshifu/article/details/128334627）提到的方法，安裝一個Spyder軟件，方便后續代碼的撰寫。

??隨后，在編輯器中輸入如下的代碼。

import tensorflow as tf print(tf.config.list_physical_devices("GPU"))

??如下圖所示。

??運行上述代碼后，如果出現如下圖所示的輸出結果，就表明程序可以找到電腦中的GPU，即前述全部配置工作是沒有問題的；大家就可以開始撰寫機器學習的各類代碼，并用GPU加速運行了。

??此外，這里還有一種不推薦的檢驗方法。大家還可以輸入以下的代碼。

import tensorflow as tf tf.test.is_gpu_available()

??這也是一種檢驗GPU是否可用的方法，但是如下圖所示，這種方法馬上就要被淘汰了，因此建議還是用上面提到的方法來測試。如果出現如下圖所示的True字樣，就說明配置沒有問題。

??至此，大功告成。

歡迎關注：瘋狂學習GIS

總結

以上是生活随笔為你收集整理的新版本GPU加速的tensorflow库的配置方法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。