基于Windows环境下CPU和GPU版本Tensorflow详细安装过程

简介: 基于Windows环境下CPU和GPU版本Tensorflow详细安装过程

一、Tensorflow简介

TensorFlow 是一个开源的、基于 Python 的机器学习框架,它由 Google 开发,并在图形分类、音频处理、推荐系统和自然语言处理等场景下有着丰富的应用,是目前最热门的机器学习框架。

二、安装Anaconda

参考下面的文章中的Anaconda那部分进行安装:

三、判断python版本为下一步做准备,打开控制平台复制下面的命令粘贴输出。

python --version

四、找到Anaconda自带的Anaconda Prompt并点击打开,复制粘贴输入下面的命令运行。中间运行中会要进行process判断,用户需选择输入“y”再次运行,下图第二张表示命令运行完Tensorflow环境创建成功。注意:下面的命令中的python=3.7.0是根据用户电脑安装的python对应的版本,若用户的python版本是3.6.2那么也要对应修改成python=3.6.2。

conda create --name tensorflow python=3.7.0

五、继续复制粘贴输入下面的命令运行激活Tensorflow环境,同时给也可以通过conda deactivate来关闭TensorFlow环境。

conda activate tensorflow

六、接下来安装CPU版本Tensorflow,复制粘贴输入下面的命令运行(需要一定时间,大家耐心等候)。

注意:若报“ check_hostname requires server_hostname”错误原因可能是没有关闭VPN,大家开启的话记得安装前提前先关闭VPN。

pip install tensorflow

七、下来安装GPU版本Tensorflow,复制粘贴输入下面的命令运行(需要一定时间,大家耐心等候)。

pip install --ignore-installed --upgrade tensorflow-gpu

八、Tensorflow安装完成后进行判断是否安装成功,先复制粘贴输入下面的命令运行进入python运行环境。

python

九、一行一行复制粘贴输入下面的代码运行,判断是否正常输出结果,若输出图片中的结果表示安装成功。

import tensorflow as tf
tf.compat.v1.disable_eager_execution()
hello = tf.constant('Hello,Tensorflow')
sess= tf.compat.v1.Session()
print(sess.run(hello))


相关实践学习
在云上部署ChatGLM2-6B大模型(GPU版)
ChatGLM2-6B是由智谱AI及清华KEG实验室于2023年6月发布的中英双语对话开源大模型。通过本实验,可以学习如何配置AIGC开发环境,如何部署ChatGLM2-6B大模型。
相关文章
|
10月前
|
弹性计算 人工智能 Serverless
阿里云ACK One:注册集群云上节点池(CPU/GPU)自动弹性伸缩,助力企业业务高效扩展
在当今数字化时代,企业业务的快速增长对IT基础设施提出了更高要求。然而,传统IDC数据中心却在业务存在扩容慢、缩容难等问题。为此,阿里云推出ACK One注册集群架构,通过云上节点池(CPU/GPU)自动弹性伸缩等特性,为企业带来全新突破。
|
6月前
|
安全 数据库 Windows
解决Windows云服务器带宽和CPU利用率高的问题
本文针对Windows Server 2019 ×64系统,介绍如何排查云服务器带宽和CPU利用率过高的问题。通过任务管理器、性能监视器等工具定位高资源占用的进程,并根据进程是否正常采取相应措施。对于正常进程,建议优化或升级配置;对于异常进程,建议关闭进程并进行系统备份或还原。详细步骤包括使用“perfmon -res”查看资源使用情况,结合PID查找具体进程,分析处理后台任务、杀毒软件及应用程序的影响。
398 1
|
11月前
|
监控 异构计算
Jetson 学习笔记(八):htop查看CPU占用情况和jtop监控CPU和GPU
在NVIDIA Jetson平台上使用htop和jtop工具来监控CPU、GPU和内存的使用情况,并提供了安装和使用这些工具的具体命令。
769 0
|
11月前
|
机器学习/深度学习 人工智能 并行计算
CPU和GPU的区别
【10月更文挑战第14天】
|
11月前
|
机器学习/深度学习 人工智能 缓存
GPU加速和CPU有什么不同
【10月更文挑战第20天】GPU加速和CPU有什么不同
418 1
|
12月前
|
人工智能 自然语言处理 文字识别
MinerU-大语言语料处理神器,CPU/GPU均可跑,开源免费“敲”好用
在7月4日举行的WAIC 2024科学前沿主论坛上,书生·浦语2.5正式发布,面向大模型研发与应用的全链条工具体系同时迎来升级。
MinerU-大语言语料处理神器,CPU/GPU均可跑,开源免费“敲”好用
|
11月前
|
C# 开发工具 Windows
C# 获取Windows系统信息以及CPU、内存和磁盘使用情况
C# 获取Windows系统信息以及CPU、内存和磁盘使用情况
309 0
|
机器学习/深度学习 人工智能 并行计算
【人工智能】CPU、GPU与TPU:人工智能领域的核心处理器概述
在人工智能和计算技术的快速发展中,CPU(中央处理器)、GPU(图形处理器)和TPU(张量处理器)作为核心处理器,各自扮演着不可或缺的角色。它们不仅在性能上各有千秋,还在不同的应用场景中发挥着重要作用
685 2
|
并行计算 TensorFlow 算法框架/工具
Windows11+CUDA12.0+RTX4090如何配置安装Tensorflow2-GPU环境?
本文介绍了如何在Windows 11操作系统上,配合CUDA 12.0和RTX4090显卡,通过创建conda环境、安装特定版本的CUDA、cuDNN和TensorFlow 2.10来配置TensorFlow GPU环境,并提供了解决可能遇到的cudnn库文件找不到错误的具体步骤。
1822 3
|
人工智能 PyTorch 算法框架/工具
AI计算机视觉笔记二:基于YOLOV5的CPU版本部署openvino
本文档详细记录了YOLOv5模型在CPU环境下的部署流程及性能优化方法。首先,通过设置Python虚拟环境并安装PyTorch等依赖库,在CPU环境下成功运行YOLOv5模型的示例程序。随后,介绍了如何将PyTorch模型转换为ONNX格式,并进一步利用OpenVINO工具包进行优化,最终实现模型在CPU上的高效运行。通过OpenVINO的加速,即使是在没有GPU支持的情况下,模型的推理速度也从约20帧每秒提高到了50多帧每秒,显著提升了性能。此文档对希望在资源受限设备上部署高性能计算机视觉模型的研究人员和工程师具有较高的参考价值。

热门文章

最新文章