提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档
文章目录
一.确定自己要安装哪个版本的Tensorflow
1.安装合适的显卡驱动
推荐去官网下载驱动，网址为https://www.nvidia.cn/Download/index.aspx?lang=cn，进入网站后根据自己的显卡类型选择对应的参数即可。
2.确定自己的电脑适合什么版本的CUDA
Win + R 输入cmd 调出命令提示符，输入 nvidia-smi 查看当前的驱动信息，如果出现nvidia-smi无效命令，在环境变量的path中加入 C:\Program Files\NVIDIA Corporation\NVSMI 即可。
官网：https://docs.nvidia.cn/cuda/cuda-toolkit-release-notes/index.html
进入官网后页面下拉，找到 Table 3.CUDA Toolkit and Corresponding Driver Versions。
| Linux x86_64 Driver Version | Windows x86_64 Driver Version | |
|---|---|---|
| CUDA 11.7 GA | >=515.43.04 | >=516.01 |
| CUDA 11.6 Update 2 | >=510.47.03 | >=511.65 |
| CUDA 11.6 Update 1 | >=510.47.03 | >=511.65 |
| CUDA 11.6 GA | >=510.39.01 | >=511.23 |
| CUDA 11.5 Update 2 | >=495.29.05 | >=496.13 |
| CUDA 11.5 Update 1 | >=495.29.05 | >=496.13 |
| CUDA 11.5 GA | >=495.29.05 | >=496.04 |
| CUDA 11.4 Update 4 | >=470.82.01 | >=472.50 |
| CUDA 11.4 Update 3 | >=470.82.01 | >=472.50 |
| CUDA 11.4 Update 2 | >=470.57.02 | >=471.41 |
| CUDA 11.4 Update 1 | >=470.57.02 | >=471.41 |
| CUDA 11.4.0 GA | >=470.42.01 | >=471.11 |
| CUDA 11.3.1 Update 1 | >=465.19.01 | >=465.89 |
| CUDA 11.3.0 GA | >=465.19.01 | >=465.89 |
| CUDA 11.2.2 Update 2 | >=460.32.03 | >=461.33 |
| CUDA 11.2.1 Update 1 | >=460.32.03 | >=461.09 |
| CUDA 11.2.0 GA | >=460.27.03 | >=460.82 |
| CUDA 11.1.1 Update 1 | >=455.32 | >=456.81 |
| CUDA 11.1 GA | >=455.23 | >=456.38 |
| CUDA 11.0.3 Update 1 | >= 450.51.06 | >= 451.82 |
| CUDA 11.0.2 GA | >= 450.51.05 | >= 451.48 |
| CUDA 11.0.1 RC | >= 450.36.06 | >= 451.22 |
| CUDA 10.2.89 | >= 440.33 | >= 441.22 |
| CUDA 10.1 (10.1.105 general release, and updates) | >= 418.39 | >= 418.96 |
| CUDA 10.0.130 | >= 410.48 | >= 411.31 |
| CUDA 9.2 (9.2.148 Update 1) | >= 396.37 | >= 398.26 |
| CUDA 9.2 (9.2.88) | >= 396.26 | >= 397.44 |
| CUDA 9.1 (9.1.85) | >= 390.46 | >= 391.29 |
| CUDA 9.0 (9.0.76) | >= 384.81 | >= 385.54 |
| CUDA 8.0 (8.0.61 GA2) | >= 375.26 | >= 376.51 |
| CUDA 8.0 (8.0.44) | >= 367.48 | >= 369.30 |
| CUDA 7.5 (7.5.16) | >= 352.31 | >= 353.66 |
| CUDA 7.0 (7.0.28) | >= 346.46 | >= 347.62 |
2.tf_python_CUDA_CUDNN版本对应关系
官方网站 https://tensorflow.google.cn/install/source_windows
| 版本 | Python 版本 | 编译器 | 构建工具 | cuDNN | CUDA |
|---|---|---|---|---|---|
| tensorflow_gpu-2.6.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 |
| tensorflow_gpu-2.5.0 | 3.6-3.9 | MSVC 2019 | Bazel 3.7.2 | 8.1 | 11.2 |
| tensorflow_gpu-2.4.0 | 3.6-3.8 | MSVC 2019 | Bazel 3.1.0 | 8.0 | 11.0 |
| tensorflow_gpu-2.3.0 | 3.5-3.8 | MSVC 2019 | Bazel 3.1.0 | 7.6 | 10.1 |
| tensorflow_gpu-2.2.0 | 3.5-3.8 | MSVC 2019 | Bazel 2.0.0 | 7.6 | 10.1 |
| tensorflow_gpu-2.1.0 | 3.5-3.7 | MSVC 2019 | Bazel 0.27.1-0.29.1 | 7.6 | 10.1 |
| tensorflow_gpu-2.0.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 |
| tensorflow_gpu-1.15.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.26.1 | 7.4 | 10 |
| tensorflow_gpu-1.14.0 | 3.5-3.7 | MSVC 2017 | Bazel 0.24.1-0.25.2 | 7.4 | 10 |
| tensorflow_gpu-1.13.0 | 3.5-3.7 | MSVC 2015 update 3 | Bazel 0.19.0-0.21.0 | 7.4 | 10 |
| tensorflow_gpu-1.12.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7.2 | 9.0 |
| tensorflow_gpu-1.11.0 | 3.5-3.6 | MSVC 2015 update 3 | Bazel 0.15.0 | 7 | 9 |
| tensorflow_gpu-1.10.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.9.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.8.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.7.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.6.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.5.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 7 | 9 |
| tensorflow_gpu-1.4.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.3.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 6 | 8 |
| tensorflow_gpu-1.2.0 | 3.5-3.6 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.1.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
| tensorflow_gpu-1.0.0 | 3.5 | MSVC 2015 update 3 | Cmake v3.6.3 | 5.1 | 8 |
确定好想要的版本后将对应的python CUDA CUDNN 下载好即可（如果下载慢可以将复制下载链接后使用迅雷下载）。
python下载地址
https://www.python.org/downloads/windows/
CUDA下载地址
https://developer.nvidia.cn/cuda-toolkit-archive
CUDNN下载地址
https://developer.nvidia.cn/rdp/cudnn-archive
二.安装CUDA
1.点击CUDA安装包
下载完CUDA安装包以后，中间选择精简安装，一直点下一步即可，安装完成后默认的安装位置是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2，也可以自定义安装选择其他位置进行安装。
2.配置系统变量
一般安装完成后一下信息基本会自动添加，有的话跳过，没有就补充（如果上一步的不是在默认位置安装，要注意替换这里的路径）。
| 变量名 | 变量值 |
|---|---|
| CUDA_PATH | C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2 |
| CUDA_PATH_V11_2 | C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2 |
| NVCUDASAMPLES_ROOT | C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.2 |
| NVCUDASAMPLES11_2_ROOT | C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.2 |
| Path | C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp C:\Program Files (x86)\NVIDIA Corporation\PhysX\Common C:\Program Files\NVIDIA Corporation\NVSMI C:\Program Files\NVIDIA Corporation\NVIDIA NvDLISR C:\Program Files\NVIDIA Corporation\Nsight Compute 2020.3.1<br/> C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib\x64 |
3.检查是否安装完毕
Win + R 输入cmd 调出命令提示符，输入nvcc -V查看是否安装成功，安装成功会有以下安装的版本信息：
Cuda compilation tools, release 11.2, V11.2.152
Build cuda_11.2.r11.2/compiler.29618528_0
三.安装CUDNN
1.解压
解压cudnn压缩包，会出现一个cuda文件夹，进入该文件夹后会有 bin,include,lib三个文件夹，将这三个文件夹复制，直接粘贴在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\ 文件夹中即可。
2.配置系统变量(有的话跳过)
| 变量名 | 变量值 |
|---|---|
| Path | C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\include C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\lib\x64 |
3.检查是否安装完毕
- 进入 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite，
- 再进入其路径对应的命令行窗口（Win + R 输入cmd 调出命令提示符进入该路径），
- 在命令行窗口分别输入 deviceQuery.exe 和 bandwidthTest.exe 回车运行，最后都出现 Result = PASS 即可。
四.安装tensorflow
1.使用默认镜像源安装
对于 1.15 及更早版本，CPU 和 GPU 软件包是分开的：
pip install tensorflow==1.15 # CPU
pip install tensorflow-gpu==1.15 # GPU
后续的版本直接
pip install tensorflow==2.x.x
该方法速度慢，甚至会导致直接安装失败，可以修改本地镜像源地址后使用该方法，或者直接使用第2个方法。
2.指定镜像源安装
pip install tensorflow==1.15 -i https://pypi.tuna.tsinghua.edu.cn/simple/
常用镜像源
| 清华大学 | https://pypi.tuna.tsinghua.edu.cn/simple/ |
|---|---|
| 阿里云 | http://mirrors.aliyun.com/pypi/simple/ |
| 中国科技大学 | https://pypi.mirrors.ustc.edu.cn/simple/ |
| 华中理工大学 | http://pypi.hustunique.com/ |
| 山东理工大学 | http://pypi.sdutlinux.org/ |
| 豆瓣 | http://pypi.douban.com/simple/ |
| 网易 | http://mirrors.163.com/ |
| 北京外国语大学 | https://mirrors.bfsu.edu.cn/pypi/web/simple/ |
3.修改本地的镜像源
# 修改本地的镜像源
pip config set global.index-url https://mirrors.bfsu.edu.cn/pypi/web/simple/
# 查看默认镜像源
pip config list
安装完检查是否安装成功
import tensorflow as tf
print(tf.config.list_physical_devices('GPU'))
# 出现如下信息表示安装成功
# [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
五.一台电脑安装多个CUDA
先安装低版本CUDA，再安装高版本CUDA，否则低版本的显卡驱动不兼容包版本程序。
1.安装CUDA
同上。
2.安装CUDNN
同上。
3.切换CUDA
假如安装了v11.2和v8两个版本，此时环境变量path中有以下值：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp
使用哪个版本就把哪个版本的两个变量放在path的最前面。
4.检查是否切换完毕，不同版本输出的信息不一样
命令行窗口输入 nvcc -V
使用8.0 版本时输出：Cuda compilation tools, release 8.0, V8.0.60
使用11.2版本时输出：Cuda compilation tools, release 11.2, V11.2.152