TensorFlow项目GPU运行 安装步骤

以下是在 Linux 系统 下搭建完整 GPU 加速环境的详细流程（适配 CUDA 11.2 和 Python 3.9）：

1. 前置检查

1.1 验证 NVIDIA 驱动

# 检查驱动版本（需 ≥ 450.80.02）
nvidia-smi

• 输出示例：

  CUDA Version: 11.2
  Driver Version: 470.57.02

• 如果未安装驱动：

  # Ubuntu/Debian
  sudo apt-get install nvidia-driver-470
  # CentOS
  sudo yum install nvidia-driver-470

1.2 安装开发依赖

# Ubuntu/Debian
sudo apt-get install build-essential git curl

# CentOS
sudo yum groupinstall "Development Tools"

---

2. 安装 Miniconda

2.1 下载并安装

# 下载最新 Miniconda（Linux版）
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh

# 执行安装脚本（按提示操作，默认路径为 ~/miniconda3）
bash Miniconda3-latest-Linux-x86_64.sh

# 初始化 Conda
source ~/.bashrc

2.2 配置 Conda 镜像（加速下载）

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --set show_channel_urls yes

---

3. 创建 Conda 环境

3.1 创建 Python 3.9 环境

conda create -n tf_gpu python=3.9 -y
conda activate tf_gpu

---

4. 安装 CUDA 和 cuDNN

4.1 通过 Conda 安装兼容版本

conda install -c conda-forge cudatoolkit=11.2.2 cudnn=8.1.0.77 -y

4.2 配置 CUDA 环境变量

# 将以下内容添加到 ~/.bashrc 中（永久生效）
echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' >> ~/.bashrc
source ~/.bashrc

---

5. 安装 TensorFlow GPU 版

# 安装 TensorFlow 2.5.0（唯一官方支持 CUDA 11.2 的版本）
pip install tensorflow==2.5.0 --no-cache-dir

---

6. 安装其他科学计算包

# 通过 Conda 安装基础包（避免版本冲突）
conda install -y pandas=1.3.5 numpy=1.19.5 scikit-learn=0.24.2 matplotlib=3.4.3 scipy=1.7.1

# 通过 pip 安装剩余包
pip install -U keras==2.5.0

---

7. 验证 GPU 加速

7.1 快速检查

python -c "import tensorflow as tf; print('TF版本:', tf.__version__); print('GPU可用:', tf.config.list_physical_devices('GPU'))"

• 期望输出：

  TF版本: 2.5.0
  GPU可用: [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

7.2 深度学习任务测试

python -c "
import tensorflow as tf
model = tf.keras.Sequential([tf.keras.layers.Dense(1000)])
model.compile(loss='mse')
model.fit(tf.random.normal([100, 1000]), tf.random.normal([100, 1]), epochs=1)
"

• 观察输出中是否有 GPU 显存分配日志（如 Allocating new GPU 或显存使用量变化）

---

8. 环境备份

conda env export > tf_gpu_env.yaml

---

故障排查

问题1：Could not load dynamic library 'libcudart.so.11.0'

• 原因：CUDA 路径未正确配置

• # 临时修复（当前会话生效）
  export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/
  
  # 永久修复（添加到 ~/.bashrc）
  echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' >> ~/.bashrc

问题2：NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver

• 原因：驱动未安装或版本不兼容

• 解决：

  # 查看已安装驱动
  ubuntu-drivers devices
  
  # 重新安装驱动（Ubuntu）
  sudo apt-get purge nvidia-*
  sudo apt-get install nvidia-driver-470

问题3：ImportError: cannot import name 'dtensor' from 'tensorflow.compat.v2'

• 原因：包版本冲突

• 解决：

  # 清理冲突包
  pip uninstall tensorflow keras numpy -y
  conda install numpy=1.19.5 -y
  pip install tensorflow==2.5.0 keras==2.5.0

---

性能优化

启用混合精度训练（可选）

python

复制

# 在代码开头添加
from tensorflow.keras.mixed_precision import experimental as mixed_precision
policy = mixed_precision.Policy('mixed_float16')
mixed_precision.set_policy(policy)

---

通过以上步骤，您将在 Linux 系统上获得一个完全兼容 CUDA 11.2 的 GPU 加速环境。所有包的版本均经过 TensorFlow 2.5.0 官方兼容性验证，可避免依赖冲突。

完整的步骤总结：

# 创建 Conda 环境并激活

conda create -n myenv python=3.9

conda activate myenv

# 安装 TensorFlow GPU 版本

conda install -c conda-forge tensorflow-gpu=2.5

# 安装其他必需的库

conda install pandas numpy scikit-learn matplotlib scipy

# 安装 CUDA 工具包

conda install cudatoolkit=11.2

# 安装 Keras 库

conda install -c conda-forge keras

# （可选）安装 Jupyter

conda install jupyter

完成后，你的 Conda 环境就可以在 GPU 上运行 TensorFlow，同时兼容其他所需的库。