Python实践经验|Win 10 64位服务器RTX3080Ti显卡安装TensorFlow和Pytorch实践（2021.9.22） tensorflow|深度学习|windows|10|An

Win 10 64位服务器RTX3080Ti显卡安装TensorFlow和Pytorch实践（2021.9.22）

1、环境
- 1.1 服务器 + RTX3080Ti显卡（硬件）
- 1.2 Win 10操作系统+NVIDIA显卡驱动（软件）
- 1.3 已安装NVIDIA显卡驱动（Version 471.11）
- 1.4 鲁大师跑分（兴奋）
2、为显卡安装CUDA和CUDNN（Version 11.4）
- 2.1 安装Visual C++支持（在安装CUDA前）
- 2.2 安装CUDA11.4
- 2.3 安装CUDNN11.4（复制bin、include、lib文件夹下的文件到CUDA对应目录下）
3、利用Conda安装TensorFlow和Pytorch
- 3.1 安装Anaconda（Python）
- 3.2 安装TensorFlow（GPU版）
- 3.3 安装PyTorch（GPU版）

1、环境 1.1 服务器 + RTX3080Ti显卡（硬件）

Python实践经验|Win 10 64位服务器RTX3080Ti显卡安装TensorFlow和Pytorch实践（2021.9.22）

文章图片
Inspur浪潮服务器

文章图片
RTX 3080Ti显卡

【Python实践经验|Win 10 64位服务器RTX3080Ti显卡安装TensorFlow和Pytorch实践（2021.9.22）】相信大家都知道，一台高性能的服务器除了具有强大的CPU及运行内存外，如果对于图形渲染方面具有较高需求的话，服务器还应该配置较好的独立显卡，因为现有的电脑（笔记本、台式机、服务器）上的集成显卡越来越无法满足学习、工作及科研的需求，尤其是对于人工智能、计算机、模式识别、电子信息等专业的大学生及研究生而言，一个好的显卡不仅能够增强图像图形显示能力，同时还能极大地加快深度学习网络模型的训练速度以便优化调参。
1.2 Win 10操作系统+NVIDIA显卡驱动（软件）服务器已安装Win 10专业版操作系统，运行内存大概32GB，CPU是16核32线程，显卡设备已在服务器中识别，在计算机右键->属性->设备管理器中都可以进行查看。

文章图片

文章图片
设备管理器--->处理器

文章图片
设备管理器--->显示适配器

1.3 已安装NVIDIA显卡驱动（Version 471.11）这里选择的是471.11版本的显卡驱动（NVIDIA官网下载或联系服务厂商即可获得），正确安装完成后在桌面右键可以进入NVIDIA控制面板，在控制面板的系统信息中可查看该显卡对应的显卡驱动版本为471.11及支持的CUDA版本为11.4。（也可以通过Win+R打开cmd窗口后输入nvidia-smi命令进行查看）

文章图片

文章图片
NVIDIA控制面板系统信息

文章图片
cmd窗口nvidia-smi

1.4 鲁大师跑分（兴奋）正如许多游戏玩家一样，对于新买的显卡，在安装显卡驱动后，都希望利用鲁大师进行性能跑分测试并辨别硬件真伪，那么我也来测试一下RTX 3080Ti的威力吧！

鲁大师综合性能得分

硬件参数

鲁大师GPU测试FPS

文章图片
Steam(CSGO)实测效果

2、为显卡安装CUDA和CUDNN（Version 11.4）到英伟达官网CUDA查找RTX 3080Ti显卡支持的CUDA版本及与CUDA适配的CUDNN版本，最终选择了CUDA 11.4和CUDNN 11.4 ，需要注意的是在CUDA和CUDNN的下载页面可以右键复制链接地址，然后利用迅雷下载可有效提高下载速度。

文章图片

文章图片
CUDA 下载

文章图片
CUDNN 下载

文章图片

最终利用迅雷下载的CUDA 11.4和CUDNN 11.4这两个安装包文件如下图所示。

文章图片

2.1 安装Visual C++支持（在安装CUDA前） 64位 Win10操作系统需要下载Visual C++支持文件VC_redist.x64.exe，双击安装即可。

文章图片

文章图片

2.2 安装CUDA11.4 双击cuda_11.4.0_471.11_win10.exe安装包文件，进入NVIDIA安装程序界面，选择接受软件许可协议，之后需要选择安装位置直接默认即可，在自定义安装程序界面，由于已经安装了显卡驱动，所以CUDA安装包中的一些组件已经安装过了，这里可结合控制面板中的已安装程序（应用和功能）对照查看，由于已经安装了

文章图片
接受许可协议

文章图片
选择安装位置

文章图片

文章图片

CUDA安装成功后，打开计算机->属性->高级系统设置->环境变量，查看系统变量下是否有CUDA_PATH和CUDA_PATH_V11_4两个环境变量，对应的值即为CUDA的默认安装目录（如果没有，则需要手动新建这两个环境变量）。

然后WIn+R打开cmd命令行窗口，输入nvcc -V后回车查看到CUDA相关信息（如版本、编译器驱动）即为安装成功。

文章图片

2.3 安装CUDNN11.4（复制bin、include、lib文件夹下的文件到CUDA对应目录下）首先解压cudnn-11.4-windows-x64-v8.2.2.26.zip得到cudnn-11.4-windows-x64-v8.2.2.26文件夹，需要将该文件夹中bin文件夹、include文件夹以及lib文件夹下x64文件夹中的文件分别复制到CUDA安装目录下的bin文件夹、include文件夹以及lib文件夹下的x64文件夹。

文章图片 CUDNN的bin文件夹	文章图片复制到CUDA安装目录下的bin文件夹
文章图片 CUDNN的include文件夹	文章图片复制到CUDA安装目录下的include文件夹
文章图片 CUDNN的lib文件夹下的x64文件夹	文章图片复制到CUDA安装目录下的lib文件夹下的x64文件夹

3、利用Conda安装TensorFlow和Pytorch 3.1 安装Anaconda（Python）到Anaconda官网下载Windows系统的安装包，下载完后直接安装即可。

文章图片
下载Anaconda安装包（Windows系统）

文章图片
安装Anaconda

Anaconda安装完成后，在开始菜单里可看到Anaconda文件夹，打开Anaconda Prompt命令行窗口，为了提高Anaconda下载依赖包的速度，可配置国内清华源镜像，输入如下命令：

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

要了解Anaconda的常用命令，如查看现有环境列表conda info --envs、创建Python环境conda create --name env_name python=3.6、进入某个环境conda activate env_name、查看当前环境所有的依赖包pip list、进入Python命令行python，这里我创建了两个虚拟环境tensorflow_gpu和pytorch_gpu，分别用来配置TensorFlow和PyTorch。

conda create --name tensorflow_gpu python=3.6 conda create --name pytorch_gpu python=3.6

文章图片
Anaconda Prompt命令行

文章图片
进入pytorch_gpu环境

文章图片

3.2 安装TensorFlow（GPU版）在Anaconda Prompt命令行窗口界面，输入conda activate tensorflow_gpu命令进入该环境，然后输入pip install tensorflow-gpu==2.5.0来安装相关依赖包，下图是安装过程中的详细信息。安装完成后可输入pip list查看tensorflow_gpu环境下安装的依赖包。

文章图片
安装 tensorflow-gpu 2.5.0

文章图片
安装成功

文章图片

安装结束后，在tensorflow_gpu环境下输入python后，可输入以下代码测试GPU版的TensorFlow是否安装成功，如果显示为True同时包含显卡的相关信息则安装成功。

import tensorflow as tf print(tf.test.is_gpu_available())

文章图片

3.3 安装PyTorch（GPU版）首先到PyTorch官网按照如下图所示选择好配置后，可以看到自动生成

pip3 install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio===0.9.1 -f https://download.pytorch.org/whl/torch_stable.html

这个命令，仔细分析发现我们已经配置了CUDA环境，现在应该还需要安装torch依赖包即可，所以我们打开https://download.pytorch.org/whl/torch_stable.html页面，找到对应版本的torch依赖包文件torch-1.9.0+cu111-cp36-cp36m-win_amd64.whl（对应CUDA 11版本、Python 3.6以及Windows 64位操作系统）并下载，之后进入pytorch_gpu环境文件目录下的Scripts文件夹，打开cmd窗口并输入命令pip install torch-1.9.0+cu111-cp36-cp36m-win_amd64.whl执行pytorch安装过程，最后提示安装成功。