如何解决windows系统下新版本tensorflow的gpu的加速问题

方案一：安装兼容CUDA 12的TensorFlow 2.10+版本（最推荐）

从TensorFlow 2.11开始，官方停止发布了Windows上的原生GPU支持版本。但是，社区提供了一个非常稳定且官方的替代品：tensorflow-cpu包和tensorflow-directml-plugin，后者可以让TensorFlow利用包括NVIDIA在内的多种GPU在Windows上运行。

这是目前Windows上最简单、最干净的TensorFlow GPU解决方案。

步骤如下：

1. 创建并激活一个Conda环境（强烈建议，可以避免包冲突）

   使用 win+r 打开命令提示符，打开终端使用如下命令

   conda create -n tf_win_gpu python=3.10
   conda activate tf_win_gpu
   

   （Python 3.9 或 3.10 与 TensorFlow 2.10 兼容性较好）

2. 安装TensorFlow CPU版本和DirectML插件
   在激活的tf_win_gpu环境中，运行：

   pip install tensorflow-cpu
   pip install tensorflow-directml-plugin
   

   注意：tensorflow-directml-plugin 版本会自动与 tensorflow-cpu 的主版本匹配。如果你安装 tensorflow-cpu==2.10，它会自动安装兼容的插件版本。

3. 验证安装
   打开Python，运行以下代码：

   import tensorflow as tf
   print(tf.__version__)
   print(tf.config.list_physical_devices('GPU'))
   

   如果输出类似以下内容，说明成功！它应该能检测到你的NVIDIA GPU。

   2.10.0
   [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
   

原理： 这个插件将TensorFlow的GPU操作指令转换成了DirectML（一个Windows底层的机器学习API），从而让你的NVIDIA GPU（支持CUDA 12.1）能够正常工作，而无需手动配置复杂的CUDA环境。

方案二：降级你的CUDA工具包（传统方法，较麻烦）

如果你因为某些原因必须使用原生的CUDA支持（例如某些极特殊的自定义操作），你可以选择将你的CUDA驱动和工具包降级到TensorFlow 2.10官方支持的版本。

警告：此方法会修改系统环境，可能影响你机器上其他依赖CUDA 12.1的软件。

1. 卸载当前CUDA工具包
   通过Windows的“添加或删除程序”，卸载所有名称中包含“CUDA”的程序（通常是NVIDIA CUDA Toolkit 12.1.x.x）。

2. 安装CUDA 11.2

   • 从NVIDIA官网下载 CUDA Toolkit 11.2.2 。
   • 选择Windows、x86_64、10（或11）、exe（local）版本进行安装。

3. 安装cuDNN 8.1.0 for CUDA 11.2

   • 前往 NVIDIA cuDNN存档页面 （需要注册登录）。
   • 下载 for CUDA 11.2 的 cuDNN v8.1.0。
   • 下载后是一个压缩包，将其解压。你会得到几个文件夹（bin, include, lib）。
   • 将这三个文件夹里的内容，分别复制到你的CUDA安装目录（默认是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2）对应的文件夹中。

4. 设置环境变量
   确保你的系统环境变量PATH中包含CUDA的路径：

   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\bin
   C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\libnvvp
   

5. 在Conda环境中安装TensorFlow GPU

   conda create -n tf_old_cuda python=3.9
   conda activate tf_old_cuda
   pip install tensorflow==2.10.0
   

   再次使用验证脚本检查。

总结与推荐

给你的最终建议：

直接采用方案一。这是目前为Windows上的TensorFlow配置GPU最现代化、最无痛的方法。它完美地解决了你的CUDA 12.1和TensorFlow 2.10的版本冲突问题，让你能立即开始工作。

只有在你的工作流极度依赖某个必须在原生CUDA环境下才能运行的特定库时，才去考虑方案二这个“折腾”的路线。

怎么使用Pycharm打开创建好的虚拟环境