Win10+Anaconda搭建tensorflow-gpu环境使用jupyter notebook

本文记录了在Windows 10系统中,利用Anaconda搭建TensorFlow-GPU环境并使用Jupyter Notebook的过程。首先检查英伟达显卡是否满足CUDA要求,然后更新驱动至9.0以上版本,接着使用conda安装TensorFlow-GPU,并验证安装成功。最后,设置Jupyter Notebook以在环境中运行。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

花了好长时间,感觉走了很多冤枉路了,写一篇记录一下。
Nvidia显卡,如果没有英伟达的显卡就不能装了

首先是上英伟达官网看看卡符合标准不

你的英伟达GPU是否支持CUDA
在这里插入图片描述
比如965M的算力是5.2,官网要求是3.5或更高,所以965M的卡是可以使用的噢~
在这里插入图片描述

本地显卡的驱动是多少呐

根据上面显示的CUDA至少9.0也就是384.x。
从NVIDIA控制面板查看自己的驱动版本
在这里插入图片描述
选择“系统信息”——“组件”,如果这里小于10.0建议升级。
在这里插入图片描述
一开始我也很苦恼,因为我电脑比较旧,只是8.0.0,头疼。折腾浪费了好久时间,实际上只需要上官网更新就好了~

### 配置基于AnacondaTensorFlow的开发环境 #### 创建虚拟环境 为了确保项目的独立性和稳定性,在 Anaconda 中创建一个新的虚拟环境是一个良好的实践。可以使用以下命令来创建一个名为 `tf_env` 的新虚拟环境并指定 Python 版本: ```bash conda create -n tf_env python=3.9 ``` 激活该虚拟环境以便后续操作能够在此环境中执行[^2]: ```bash conda activate tf_env ``` #### 安装 TensorFlowWindows 平台上推荐安装 CPU 版本的 TensorFlow,除非已经配置好了支持 CUDA 和 cuDNN 的 GPU 环境。可以通过运行下面的命令来安装最新版本的 TensorFlow: ```bash pip install tensorflow ``` 如果计划利用 NVIDIA 显卡加速计算,则需先确认系统已正确安装兼容的显卡驱动以及对应的 CUDA 工具包与 cuDNN 库之后再通过 pip 命令安装特定版本的 TensorFlow-GPU。 验证安装是否成功的办法之一就是尝试导入模块并打印设备列表信息以检查是否有可用GPU资源[^3]: ```python import tensorflow as tf from tensorflow.python.client import device_lib print(tf.__version__) print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU'))) print(device_lib.list_local_devices()) ``` 上述脚本不仅会显示当前所使用TensorFlow 版本号,还会报告系统检测到多少个图形处理器单元可供调用及其具体详情描述。 #### 使用 VS Code 编辑器集成开发体验 对于希望采用 Visual Studio Code (简称VSCode)作为主要代码编辑工具开发者来说,还可以进一步设置好相关插件使得整个工作流程更加顺畅高效。例如安装Python扩展组件、Jupyter Notebook 支持等功能增强项后即可享受语法高亮提示、调试跟踪等一系列便利特性[^1]。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值