win10安装Tensorflow

win10安装Tensorflow

前提：

1. 保证你的pip>=8.1版本 不然利用python -m pip install -U pip  进行升级，或下载pip源文件

2. 肯定你的显卡是否支持cuda，以及cuda版本。利用NVIDIA控制面板查看，具体请百度。

3. Python3.5 以上。

4. 安装的是tensorflow的gpu版本

安装：

       以前，TensorFlow还不支持Window系统,虽然能够安装，可是极其麻烦。Google在2016年11月在开发者博客中宣布新版本            TensorFlow0.12，增长了对Window系统的支持。

安装前准备：

TensorFlow有两个版本CPU和GPU版本。GPU版本须要安装CUDA和cuDNN的支持，CPU版本直接安装便可。可是GPU图像计算强于cpu版，

1.pip升级

首先查看电脑是否支持CUDA。确保你的Python版本是3.5 64位。确保你有稳定的网络链接。确保你的pip版本 >= 8.1。用 pip -V 查看当前 pip 版本，用 python -m pip install -U pip 升级pip 。

而后能够开始下载 CUDA 和 cuDNN 的安装包了，注意版本号,个人版本分别是 Ccuda_8.0.44_win10.exe和 cudnn-8.0-windows10-x64-v6.0。

 

 

2.cuda安装

本人的机器支持GPU，因此我安装的是GPU版本。

安装cuda  https://developer.nvidia.com/cuda-downloads

将下载的文件解压，运行安装程序，安装过程屏幕可能会闪烁，安装时间有点长。安装以后系统变量会自动为你添加上。

测试一下是否安装成功，命令行输入nvcc –V ，看到版本信息就表示安装成功了。

3.cudnn安装

安装cuDNN 必须和cuda版本对应 https://developer.nvidia.com/cudnn 须要填写一些问卷

cuDNN是压缩包，解压以后放在须要存放的位置。须要的位置是指和cuda对应的文件夹，好比：将cuDNN文件夹bin的文件复制到cuda相应的文件夹bin下。其余的文件夹相似。

 

 

4.配置环境变量path

 

 

 

关键坑（运行TensorFlow）

 

1.TensorFlow 是一个编程系统, 使用图来表示计算任务，图必须在Session(会话)里被启动. Session将图的op(操做)分发到诸如CPU或GPU之类的设备上运行。因此，这个时候你运行python而后import tensorflow as tf是不会报错的，可是当你要执行tf.Session()的时候可能就有问题了。这个时候将会调用cuda，我在这里遇到的问题是各类lib,dll加载不了。通过一番检查，定位到问题，cuda安装完成后默认的环境变量配置不对，CUDA_PATH是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0,可是这样不能直接访问到bin和libnvvp下的程序包，在path中加上这两个路径便可。
2.结果还有问题…还有一个库加载不了，就是上面的cuDnn库了，很简单，解压刚才下下来的安装包，将这三个文件夹下的文件拷到CUDA对应的文件夹下面便可。


这样就大功告成了。
最关键一步：
pip3 install tensorflow-gpu
哈哈哈，就这么简单，快去测试一下吧
#coding=utf-8

import tensorflow as tf
import numpy as np
import os
#忽略python的警告信息
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
# 使用 NumPy 生成假数据(phony data), 总共 100 个点.
x_data = np.float32(np.random.rand(2, 100)) # 随机输入
y_data = np.dot([0.100, 0.200], x_data) + 0.300
# 构造一个线性模型
#
b = tf.Variable(tf.zeros([1]))
W = tf.Variable(tf.random_uniform([1, 2], -1.0, 1.0))
y = tf.matmul(W, x_data) + b
# 最小化方差
loss = tf.reduce_mean(tf.square(y - y_data))
optimizer = tf.train.GradientDescentOptimizer(0.5)
train = optimizer.minimize(loss)
# 初始化变量
init =tf.global_variables_initializer()
# 启动图 (graph)
sess = tf.Session()
sess.run(init)
# 拟合平面
for step in range(0, 201):
    sess.run(train)
    if step % 20 == 0:
       print (step, sess.run(W), sess.run(b))

成功的样子：