win10系统在Anaconda下安装Tensorflow2的GPU版本+Tensorflow2.1.0+python3.8+Pycharm（最新，详细，亲测可用）

本篇是tensorflow2-gpu版本的安装指南，前面的步骤跟pytorch-gpu安装非常相似，只要镜像设置好了，后面就非常顺利

这里是不需要额外安装cudatoolkit和cudnn的，因为在使用conda安装tensorflow的时候，cuda会自动帮你安装

我的环境是：win10+Anaconda+python3.8+tensorflow2.1.0

第一步照例是查看cuda的版本，高版本的cuda是可以兼容低版本的cuda的，比如我的电脑支持cuda10.2，我就可以安装cuda9/cuda10.0/cuda10.1，但是反过来就一定运行不了！

1 查看CUDA版本

首先必须要确定自己电脑支持的CUDA版本

打开NVIDIA控制面板，点击 帮助——>系统信息——>组件，查看自己电脑支持的cuda版本

我的是cuda10.2，如下图所示

2 新建虚拟环境

为了将tensorflow使用的环境与其他环境区分开，需要新建一个tensorflow的虚拟环境

打开anaconda prompt，输入conda create -n tensorflow_gpu

tensorflow_gpu为新建的虚拟环境的名称，可以自定义

如图所示，信息提示如下则安装成功（我这里使用的是pytorch_gpu的截图，tensorflow_gpu也是一样的

然后切换到该新建的虚拟环境下，使用命令：conda activate tensorflow_gpu

3 配置清华镜像

输入如下命令，这八条命令缺一不可，我家里网差，没有vpn，我前面失败了很多次，就是因为百度上很多配置清华源都只有这前三条，没有后五条，导致后面安装cudatoolkit的时候还是一直卡死，只有这八个命令全部有之后，下载才会顺畅，这一点后面也会说。

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

• 1
• 2
• 3

为了表示强调，我把后面的五个命令分开了，这后面五个命令是一定要有的，切记切记！

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/bioconda/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/menpo/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/

• 1
• 2
• 3
• 4
• 5

4 Tensorflow下载

在anaconda prompt中输入如下命令：

conda install tensorflow-gpu==2.0.0

• 1

输入命令后回车，出现如下界面，如果下载网址全是清华的（tsinghua.edu.cn）那么恭喜你，后面的下载速度应该就很快了，要是其中某一项，比如cudatoolkit的下载网址是default，那你大概率还是会卡在下载这里，只能去检查你前面清华源配置是不是那八个你都配置好了呢？

后面要做的就是等待了

5 检查是否安装成功

等待下载完成，输入python进入环境，然后依次输入

import tensorflow as tf
print(tf.__version__)
A = tf.constant([[1, 2], [3, 4]])
B = tf.constant([[5, 6], [7, 8]])
C = tf.matmul(A, B)

print(C)

• 1
• 2
• 3
• 4
• 5
• 6
• 7

如果能够最终输出:

tf.Tensor(
[[19 22]
[43 50]], shape=(2, 2), dtype=int32)

• 1
• 2
• 3

说明 TensorFlow 已安装成功！

其他

在使用tensorflow2时，可能会出现各种莫名其妙的报错，这里仅仅列了其中两个，感兴趣的可以看我另一篇文章

tensorflow2踩坑记录

1. module ‘tensorflow’ has no attribute ‘compat’

出现 module ‘tensorflow’ has no attribute ‘compat’ ，查看tensorflow版本

错误原因：tensorflow-gpu版本跟tensorflow-estimator版本不匹配，比如我的tensorflow-gpu版本是2.0.0，但tensorflow-estimator是2.2.0（有可能显示的是2.0.0，但是在程序运行时还是会报错）

在anaconda prompt中输入conda list，查看tensorflow-estimator的版本，我的使用的是tensorflow-gpu是2.0.0，但是tensorflow-estimator是2.2.0的版本，所以会报下面的错误

解决方案：

重新安装 tensorflow-estimator，使用 pip 命令，不要使用 conda 命令，如果使用 conda 命令的话所有的 tensorflow 相关的包都会被卸载掉

先删除电脑上已经安装好的tensorflow-estimator版本，输入：

pip uninstall tensorflow-estimator

• 1

然后执行：

pip install tensorflow-estimator==2.0.0
pip install tensorflow-gpu=2.0.0

• 1
• 2

2. tensorflow.python.framework.errors_impl.InternalError: Blas GEMV launch failed: m=2, n=10 [Op:MatMul] name: MatMul/

• 经过查找相关资料和自己试验，发现这可能和GPU的内存分配有关系；因为默认情况下在代码中使用GPU时，有把内存占满的趋势；即使有时候计算的数据量并不足以占用整个GPU。
• 所以，我们的思路之一就是对GPU的使用模式进行设置，如下面的代码所示，我们将GPU设置为memory_growth模式，它的意思是此时我们需要多少GPU内存就使用多少，不会过多占用。

## 列出你所有的物理GPU
gpus = tf.config.experimental.list_physical_devices('GPU')
tf.config.experimental.set_memory_growth(gpus[0], True)

• 1
• 2
• 3

如果你有多个GPU，那么你也可以将所有的GPU都设置成这个模式，如下面代码所示。

for gpu in gpus:
    tf.config.experimental.set_memory_growth(gpu, True)