整体流程概述 TensorFlow 与 CUDA Toolkit TensorFlow 是一个基于数据流图的深度学习框架 TensorFlow是一个基于数据流图的深度学习框架，它使用张量（Tensor）作为数据的基本单位，在GPU上进行张量运算可以极大地提高深度学习模型的训练和推理速度。而CUDA则提供了在GPU上执行高性能并行计算所需的API和运行时环境，能够实现深度学习任务的加速。 CUDA 充分利用 NIVIDIA GPU 的计算能力 安装 TensorFlow 之前需要首先安装 CUDA，准确的说是 CUDA Toolkit。是因为 TensorFlow 使用 CUDA 作为其后端计算引擎。CUDA 是由 NVIDIA 提供的并行计算平台和编程模型，可以充分利用 NVIDIA GPU 的计算能力，实现高性能的并行计算。 CUDA Toolkit 即 TensorFlow 默认会安装与系统和 GPU 兼容的版本，这需要依赖 CUDA Toolkit。CUDA Toolkit 包含 GPU 驱动程序、CUDA Runtime 库和相关工具，使 TensorFlow 能够与 NVIDIA GPU 进行交互并利用其计算能力。
cuDNN
在安装 TensorFlow 之前需要安装 cuDNN（CUDA Deep Neural Network library），是因为 TensorFlow 使用 cuDNN 来加速深度神经网络的计算。cuDNN 是由 NVIDIA 开发的用于深度学习的 GPU 加速库，它针对深度神经网络的计算任务进行了高度优化，可以显著加快训练和推理过程。
TensorFlow 通过调用 cuDNN 的 API 来利用 GPU 上的硬件加速功能，特别是在卷积操作等深度学习任务中，cuDNN 能够提供很大的性能提升。在没有 cuDNN 的情况下，TensorFlow 会使用 CPU 来执行这些计算任务，但是由于 CPU 的计算速度相对较慢，处理大规模的深度学习模型时可能会非常耗时。
安装详细流程 整理流程一：安装 CUDA Toolkit 步骤一：获取CUDA版本信息
桌面 > 右键 > NVIDIA控制面板 > 查看系统信息 > 点击组件 > 查看 NVCUDA64.DLL 的 CUDA版本 > 成功获取CUDA版本信息；
步骤二：下载安装 CUDA Toolkit
访问 CUDA Toolkit Archive https://developer.nvidia.com/cuda-toolkit-archive 下载对应版本的 CUDA Toolkit，根据步骤一中的 CUDA 版本信息（例如我的CUDA版本为12.0.134），选择下载 Toolkit 版本：
并开始下载，耐心等待10分钟；
步骤三：按照默认步骤安装
按照向导进行安装即可；
步骤四：检查CUDA安装成功
安装完成后，你可以在命令提示符或 PowerShell 中输入以下命令来验证 CUDA 是否成功安装：
nvcc -V或者同：
nvcc --version如果安装成功，将会输出 CUDA 的版本号。下面我们进行安装 cuDNN；
整体流程二：安装cuDNN 步骤一：下载 cuDNN
访问 cuDNN 下载网址：https://developer.nvidia.com/rdp/cudnn-download；
出现下图界面说明你需要首先登陆你的 NIVIDIA 账户；
出现如下界面，需要根据本机的 CUDA 版本选择安装，如何获取本机的 CUDA 版本？如下：获取CUDA版本信息： 桌面 > 右键 > NVIDIA控制面板 > 查看系统信息 > 点击组件 > 查看 NVCUDA64.DLL 的 CUDA版本 > 成功获取CUDA版本信息，即 12.x
根据上述获得的 CUDA 版本信息，选择下载 12.x 版本的cuDNN； 步骤二：解压缩下载的 zip，并将其中的文件复制到 CUDA Toolkit 的相应目录 解压缩后应该包含三个文件夹和一个文件： bin、include、lib、LICENSE 将三个文件夹中的文件分别复制到各自的 CUDA Toolkit 目录中首先打开 bin 文件夹： 复制全部文件，粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin 文件夹中；
然后打开 include 文件夹： 同样复制全部文件，粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\include 文件夹中；
最后打开 lib\x64 文件夹： 将全部文件粘贴到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\lib\x64 文件夹中；
步骤三：配置环境变量 确保将 CUDA 和 cuDNN 的安装路径添加到系统的环境变量中，这样 TensorFlow 才能正确地找到这些库和头文件；cuDNN 中不会默认配置环境变量，需要读者手动配置环境变量：首先打开 环境变量 path 栏目： 将解压缩后的 cuDNN 文件夹的 \bin 绝对地址复制粘贴： C:\Users\xhong\Downloads\cudnn-windows-x86_64-8.9.3.28_cuda12-archive\cudnn-windows-x86_64-8.9.3.28_cuda12-archive\bin完成！
cuDNN的完成检查需要等待下一步 tensorflow-gpu 安装完成后；
整体流程三：安装 TensorFlow-gpu 在安装完 cuDNN 后，再安装 TensorFlow 时，TensorFlow 将能够识别到你的 cuDNN 并自动与之集成，从而在 GPU 上运行深度学习任务时获得显著的加速效果。总之，安装cuDNN是为了充分发挥GPU的计算能力，提高TensorFlow的性能和效率，特别是在处理复杂的深度学习模型时，cuDNN的优化可以为你节省大量时间。 步骤一：Anaconda中创建新的环境
建议在 Anaconda Prompt 中创建一个新的环境，因为我的 base 环境已经安装好了 gpu 版本的 torch，而且如果都放在一个环境中更新环境会比较耗时；
创建环境 tensorflow
conda create -n tensorflow pip python=3.8激活环境 tensorflow
activate tensorflow 步骤二：查看下载 tensorflow-gpu 的版本号https://www.tensorflow.org/install/source_windows?hl=zh-cn 网址最下方有一个表格，列有 GPU 的 CUDA、cuDNN 对照的安装的 tensorflow-gpu 版本号
很明显，根据我的 cuDNN（8.9.3.28） 与 CUDA（12.0.134） 版本的短板效应，我稳妥选择 tensorflow_gpu-2.4.0 版本，建议读者到这里也这么选择，稳定能用就是了；
输入命令：
pip install --ignore-installed --upgrade tensorflow_gpu==2.4.0# 注意将2.4.0替换为你的版本号等待安装完成！
步骤三：检查整体流程安装成功打开 Pycharm，记得将环境从 base 切换到刚刚创建配置的 tensorflow：
import tensorflow as tf# 检查是否有可用的 GPU 设备if tf.config.list_physical_devices('GPU'):print('GPU可用')else:print("GPU不可用")出现上图所示 True，即完成安装步骤，若出现 curand64_10.dll is not found 等标识，即说明下载安装相关 CUDA Toolkit 版本出现意外错误，解决办法为通过将文件中已含有的 curand64_11.dll 文件重命名可解决问题，如下图所示：
bin文件目录地址为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0\bin
安装 CUDA 后，再安装 TensorFlow 时，TensorFlow 将会自动与 CUDA 进行集成，并在 GPU 上利用 CUDA 的功能来加速深度学习任务。这样，TensorFlow 能够更高效地执行张量计算，从而显著提高模型训练和推理的速度。
步骤四：检查 cuDNN 安装成功可用 import tensorflow as tf# 检查TensorFlow-gpu是否可用print("TensorFlow-gpu available:", tf.test.is_gpu_available())# 检查cuDNN是否可用print("cuDNN version:", tf.config.list_physical_devices('GPU'))完结撒花！！！！~~~~
