我們來著手在本地計算機環境安裝 TensorFlow 最新版框架。TensorFlow 框架支持多種常見的操作系統，如 Windows 10、Ubuntu 18.04、Mac OS 等等，同時也支持運行在 NVIDIA 顯卡上的 GPU 版本和僅適用 CPU 完成計算的 CPU 版本。我們以最為常見 Windows 10 系統，NVIDIA GPU，Python 語言環境為例，介紹如何安裝 TensorFlow 框架及其他開發軟件等。

　　一般來說，開發環境安裝分為 4 大步驟：安裝 Python 解釋器 Anaconda，安裝 CUDA 加速庫，安裝 TensorFlow 框架，安裝常用編輯器。

Anaconda 安裝

　　Python 解釋器是讓 Python 語言編寫的代碼能夠被 CPU 執行的橋梁，是 Python 語言的核心。用戶可以從 https://www.python.org/網站下載最新版本(Python 3.7)的解釋器，像普通的應用軟件一樣安裝完成后，就可以調用 python.exe 程序執行 Python 語言編寫的源代碼文件(*.py)。

　　我們這里選擇安裝集成了 Python 解釋器和虛擬環境等一系列輔助功能的 Anaconda 軟件，通過安裝 Anaconda 軟件，可以同時獲得 Python 解釋器，包管理，虛擬環境等一系列便捷功能，何樂而不為呢。我們從https://www.anaconda.com/distribution/ #download-section 網址進入 Anaconda 下載頁面，選擇 Python 最新版本的下載鏈接即可下載，下載完成后安裝即可進入安裝程序。如圖所示，勾選”Add Anaconda to my PATH environment variable”一項，這樣可以通過命令行方式調用 Anaconda 的程序。

安裝 Anaconda

　　安裝完成后，怎么驗證 Anaconda 是否安裝成功呢？通過鍵盤上的 Windows 鍵+R 鍵，即可調出運行程序對話框，輸入 cmd 回車即打開 Windows 自帶的命令行程序 cmd.exe。輸入 conda list 命令即可查看 Python 環境已安裝的庫，如果是新安裝的 Python 環境，則列出的庫都是 Anaconda 自帶已默認安裝的軟件庫。如果 conda list 能夠正常彈出一系列的庫列表信息，說明 Anaconda 軟件安裝成功，如果 conda 命名不能被識別，則說明安裝失敗，需要重新安裝。

CUDA 安裝

　　目前的深度學習框架大都基于 NVIDIA 的 GPU 顯卡進行加速運算，因此需要安裝 NVIDIA 提供的 GPU 加速庫 CUDA 程序。在安裝 CUDA 之前，請確認本地計算機具有支持 CUDA 程序的 NVIDIA 顯卡設備，如果計算機沒有 NVIDIA 顯卡，如部分計算機顯卡生產商為 AMD，以及部分 MacBook 筆記本電腦，則無法安裝 CUDA 程序，因此可以跳過這一步，直接進入 TensorFlow 安裝。CUDA 的安裝分為 CUDA 軟件的安裝、cuDNN 深度神經網絡加速庫的安裝和環境變量配置三個步驟，安裝稍微繁瑣，請讀者在操作時思考每個步驟的原因，避免死記硬背。

　　CUDA 軟件安裝 打開 CUDA 程序的下載官網： https://developer.nvidia.com/cuda-10.0-download-archive，這里我們使用 CUDA 10.0 版本，依次選擇 Windows 平臺，x86_64 架構，10 系統，exe(local)本地安裝包，再選擇 Download 即可下載 CUDA 安裝軟件。下載完成后，打開安裝軟件。選擇”Custom”選項，點擊 NEXT 按鈕進入安裝程序選擇列表，在這里選擇需要安裝和取消不需要安裝的程序。在 CUDA 節點下，取消”Visual Studio Integration”一項；在“Driver components”節點下，比對目前計算機已經安裝的顯卡驅動“Display Driver”的版本號“Current Version”和 CUDA 自帶的顯卡驅動版本號“New Version”，如果“Current Version”大于“New Version”，則需要取消“Display Driver”的勾，如果小于或等于，則默認勾選即可。設置完成后即可正常安裝完成。

ＣＵＤＡ安裝　１

ＣＵＤＡ安裝　２

　　安裝完成后，我們來測試 CUDA 軟件是否安裝成功。打開 cmd 命令行，輸入“nvcc -V”，即可打印當前 CUDA 的版本信息，如果命令無法識別，則說明安裝失敗。同時我們也可從 CUDA 的安裝路徑“C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0bin”下找到“nvcc.exe”程序。

　　cuDNN 神經網絡加速庫安裝 CUDA 并不是針對于神經網絡設計的 GPU 加速庫，它面向各種需要并行計算的應用設計。如果希望針對于神經網絡應用加速，需要額外安裝 cuDNN 庫。需要注意的是，cuDNN 庫并不是運行程序，只需要下載解壓 cuDNN 文件，并配置 Path 環境變量即可。

　　打開網址 https://developer.nvidia.com/cudnn，選擇“Download cuDNN”，由于 NVIDIA 公司的規定，下載 cuDNN 需要先登錄，因此用戶需要登錄或創建新用戶后才能繼續下載。登錄后，進入 cuDNN 下載界面，勾選“I Agree To the Terms of the cuDNN Software License Agreement”，即可彈出 cuDNN 版本下載選項。我們選擇 CUDA 10.0 匹配的 cuDNN版本，并點擊“cuDNN Library for Windows 10”鏈接即可下載 cuDNN 文件。需要注意的是，cuDNN 本身具有一個版本號，同時它還需要和 CUDA 的版本號對應上，不能下錯不匹配 CUDA 版本號的 cuDNN 文件。

下載完成 cuDNN 文件后，解壓并進入文件夾，我們將名為“cuda”的文件夾重命名為 “cudnn765”，并復制此文件夾。進入 CUDA 的安裝路徑 C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0，粘貼“cudnn765”文件夾即可，此處可能會彈出需要管理員權限的對話框，選擇繼續即可粘貼。

　　環境變量 Path 配置 上述 cudnn 文件夾的復制即已完成 cuDNN 的安裝，但為了讓系統能夠感知到 cuDNN 文件的位置，我們需要額外配置 Path 環境變量。打開文件瀏覽器，在“我的電腦”上右擊，選擇“屬性”，選擇“高級系統屬性”，選擇“環境變量”，在“系統變量”一欄中選中“Path”環境變量，選擇“編輯”，接著選擇“新建”，輸入我們 cuDNN 的安裝路徑“C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0cudnn765bin”，并通過“向上移動”按鈕將這一項上移置頂

　　CUDA 安裝完成后，環境變量中應該包含“C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0bin”，“C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0libnvvp”和“C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.0cudnn765bin”三項，具體的路徑可能依據實際路徑略有出入，確認無誤后依次點擊確定，關閉所有對話框。

TensorFlow 安裝

　　TensorFlow 和其他的 Python 庫一樣，使用 Python 包管理工具 pip install 命令即可安裝。安裝 TensorFlow 時，需要根據電腦是否 NVIDIA GPU 顯卡來確定是安裝性能更強的 GPU 版本還是性能一般的 CPU 版本。

　　國內使用 pip 命令安裝時，可能會出現下載速度緩慢甚至連接斷開的情況，需要配置國內的 pip 源，只需要在 pip install 命令后面帶上“-i 源地址”即可。現在我們來 TensorFlow GPU 最新版本，首先打開 cmd 命令行程序，輸入：

# 使用清華源安裝 TensorFlow GPU 版本 pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple

　　上述命令自動下載 TensorFlow GPU 版本并安裝，目前是 TensorFlow 2.0.0 正式版，“-U”參數指定如果已安裝此包，則執行升級命令。

　　現在我們來測試 GPU 版本的 TensorFlow 是否安裝成功。在 cmd 命令行輸入 ipython 進入 ipython 交互式終端，輸入“import tensorflow as tf”命令，如果沒有錯誤產生，繼續輸入“tf.test.is_gpu_available()”測試 GPU 是否可用，此命令會打印出一系列以“I”開頭的信息(Information)，其中包含了可用的 GPU 顯卡設備信息，最后會返回“True”或者“False”，代表了 GPU 設備是否可用，如果為 True，則 TensorFlow GPU 版本安裝成功；如果為 False，則安裝失敗，需要再次檢測 CUDA，cuDNN 或環境變量等步驟，或者復制錯誤，從搜索引擎中尋求幫助。

　　如果不能安裝 TensorFlow GPU 版本，則可以安裝 CPU 版本暫時用作學習。CPU 版本無法利用 GPU 加速運算，計算速度相對緩慢，但是作為學習介紹的算法模型一般不大，使用 CPU 版本也能勉強應付，待日后對深度學習有了一定了解再升級 NVIDIA GPU 設備也未嘗不可。

# 使用國內清華源安裝 TensorFlow CPU 版本 pip install -U tensorflow -i https://pypi.tuna.tsinghua.edu.cn/simple

　　安裝完后，在 ipython 中輸入“import tensorflow as tf”命令即可驗證 CPU 版本是否安裝成功。TensorFlow GPU/CPU 版本安裝完成后，可以通過“tf.__version__”查看本地安裝的TensorFlow 版本號。

　　常用的 python 庫也可以順帶安裝：

# 使用清華源安裝常用 python 庫 pip install -U numpy matplotlib pillow pandas - i https://pypi.tuna.tsinghua.edu.cn/simple

常用編輯器安裝

　　使用 Python 語言編寫程序的方式非常多，可以使用 ipython 或者 ipython notebook 方式交互式編寫代碼，也可以利用 Sublime Text，PyCharm 和 VS Code 等綜合 IDE 開發中大型項目。本書推薦使用 PyCharm 編寫和調試，使用 VS Code 交互式開發，這兩者都可以免費使用，用戶自行下載安裝，并配置 Python 解釋器。

總結

以上是生活随笔為你收集整理的amd cpu不能在cmd环境下运行java代码_00 开发环境搭建的全部內容，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。