Comment installer TensorFlow avec GPU sous Windows 11, étape par étape

Configurer TensorFlow pour exploiter pleinement le GPU sous Windows 11 peut s'avérer complexe si vous vous y prenez à l'aveuglette : versions incompatibles, erreurs étranges, guides obsolètes et conflits avec d'anciennes installations de Python, CUDA ou cuDNN. Si vous vous êtes déjà demandé : « Pourquoi TensorFlow utilise-t-il encore le CPU alors que je dispose d'un GPU puissant ? », ce tutoriel est fait pour vous.

Après avoir compilé et consolidé les informations issues de divers guides officiels et de pratiques concrètes, vous apprendrez à exécuter TensorFlow avec des GPU sous Windows 11 en utilisant des environnements virtuels (Conda/Miniconda). Vous découvrirez également des exemples Python pour l'IA , les combinaisons de versions compatibles, les options disponibles si votre GPU est NVIDIA (CUDA) ou si vous souhaitez utiliser DirectML (AMD, Intel, NVIDIA), et comment vérifier que tout est correctement configuré. L'objectif est qu'à la fin de cette formation, vous disposiez d'un environnement stable et isolé, sans impacter vos autres installations ou projets Python.

Configuration matérielle requise et options d'accélération sous Windows 11

Avant toute installation, il est essentiel de déterminer le type d'accélération souhaité et de vérifier la compatibilité de votre matériel . Sous Windows 11, deux options principales s'offrent à vous pour utiliser votre GPU avec TensorFlow : la solution NVIDIA classique (CUDA + cuDNN) ou le plugin TensorFlow-DirectML , qui fonctionne sous DirectX 12 et prend en charge les GPU NVIDIA, AMD et Intel.

Si vous possédez une carte graphique NVIDIA compatible CUDA (par exemple, une GeForce RTX 2060, RTX 3060 ou équivalente), vous pouvez utiliser la méthode traditionnelle avec CUDA et cuDNN, qui s'intègre parfaitement avec TensorFlow 2.10 natif de Windows. Cette méthode repose sur la compatibilité des versions des pilotes , du kit de développement CUDA, de cuDNN, de Python et de TensorFlow. Pour des instructions pratiques sur l'installation du kit de développement CUDA, consultez les guides dédiés à CUDA et cuDNN.

Toutefois, si votre GPU est AMD ou Intel, ou si vous souhaitez simplement une option plus flexible, le plugin TensorFlow-DirectML vous permet d'utiliser votre GPU via DirectML sous Windows 10/11, nativement et via WSL. Dans ce cas, vous n'avez pas besoin de CUDA/cuDNN, mais uniquement de la prise en charge de DirectX 12 et de pilotes à jour pour votre carte graphique.

La configuration minimale requise pour DirectML sous Windows (selon la documentation Microsoft) est la suivante : Windows 10 version 1709 ou ultérieure, ou Windows 11 version 21H2 ou ultérieure ; Python 3.7 à 3.10 (64 bits) ; et une carte graphique compatible telle qu’une AMD Radeon R5/R7/R9 2xx ou ultérieure, une Intel HD Graphics 5xx ou ultérieure, ou une NVIDIA GeForce GTX 9xx ou ultérieure. Si vous utilisez directement CUDA, privilégiez une carte graphique NVIDIA avec l’architecture CUDA 3.5 ou ultérieure et des pilotes à jour.

Dans tous les cas, il est impératif d'installer les pilotes de carte graphique les plus récents . Sous Windows, vous pouvez rechercher les mises à jour via « Paramètres > Windows Update > Rechercher des mises à jour ». Pour les cartes NVIDIA, vous pouvez également les rechercher via l'application GeForce Experience ou le site web officiel des pilotes.

Choisir la bonne version : pourquoi TensorFlow 2.10 est essentiel sous Windows

L'un des principaux problèmes liés à l'installation de TensorFlow avec un GPU sous Windows 11 est l'incompatibilité entre les versions. À partir de TensorFlow 2.11, la prise en charge native de CUDA sous Windows est abandonnée ; par conséquent, en pratique, TensorFlow 2.10 est la dernière version stable utilisable avec un GPU via CUDA sous Windows sans recourir à WSL ou Docker.

Sur une configuration testée sous Windows 11 avec un processeur Intel Core i7-11800H, une carte graphique NVIDIA GeForce RTX 3060 pour ordinateur portable et 16 Go de RAM, TensorFlow 2.10 avec Python 3.10 a été utilisé via Conda, avec CUDA 11.2 et cuDNN 8.1 , bien que Python 3.12.6 et CUDA 12.3 soient installés globalement sur le système. Cette séparation a été rendue possible grâce à l'utilisation d'un environnement virtuel Conda.

TensorFlow 2.10 est particulièrement sensible à NumPy : il n’est pas compatible avec NumPy 2.x. Il est donc important d’installer NumPy 1.23.5 ou une autre version 1.x prise en charge. Si NumPy 2 était déjà installé dans votre environnement, vous devrez réinstaller la version appropriée avant d’installer TensorFlow.

Si vous utilisez des versions antérieures, TensorFlow 1.15 faisait la distinction entre les packages CPU et GPU , avec des noms différents dans pip (tensorflow et tensorflow-gpu). À partir de TensorFlow 2.x, le package pip tensorflow intègre la prise en charge du GPU lorsque les prérequis CUDA/cuDNN sont satisfaits ; toutefois, sous Windows, cette prise en charge est limitée à la branche 2.10.

Pour ceux qui choisissent DirectML , la combinaison recommandée par Microsoft consiste à utiliser tensorflow-cpu==2.10 comme base, puis à ajouter le package tensorflow-directml-plugin, qui active automatiquement le backend DirectML sans modifier votre code.

Installation et configuration de Miniconda sous Windows 11

Pour éviter les conflits entre les versions de Python, TensorFlow, CUDA et cuDNN, la solution la plus simple consiste à utiliser des environnements virtuels. Miniconda est une option légère et très pratique pour créer ces environnements isolés sous Windows 11, tout en préservant les installations globales.

Vous devez d'abord télécharger le programme d'installation de Miniconda pour Windows 64 bits (version x86-64). Ce programme se présente généralement sous la forme d'un fichier .exe. Lors de l'installation, il est fortement recommandé de ne pas sélectionner l'option « Ajouter Miniconda au PATH » afin d'éviter les conflits avec d'autres installations Python.

Une fois l'assistant d'installation terminé, redémarrez votre ordinateur pour vous assurer que tout est correctement enregistré . Ensuite, ouvrez un terminal ( CMD ou PowerShell ) et vérifiez que conda est disponible en exécutant la commande suivante :

conda --version

Si vous voyez un résultat comme celui-ci conda 25.1.1 ou similaire, cela signifie que Miniconda a été correctement installé et que vous pouvez maintenant commencer à créer des environnements virtuels spécifiques pour TensorFlow avec GPU.

Créer un environnement Conda pour TensorFlow 2.10 et les GPU NVIDIA

Une fois Miniconda opérationnel, l'étape suivante consiste à créer un environnement isolé pour installer TensorFlow 2.10 ainsi que toutes ses dépendances CUDA/cuDNN. Ceci garantira que les modifications n'affecteront pas les autres projets ni l'environnement Python global du système.

Ouvrez Anaconda Prompt ou PowerShell avec prise en charge de Conda et créez un nouvel environnement, par exemple appelé tf-2.10, avec Python 3.10 :

conda create --name tf-2.10 python=3.10

Une fois la création de l'environnement terminée, initialisez Conda dans votre terminal afin de pouvoir l'activer facilement en exécutant :

conda init

Après avoir exécuté cette commande, fermez puis rouvrez la fenêtre PowerShell ou CMD pour que les modifications soient prises en compte. Vous pourrez ensuite activer le nouvel environnement créé avec :

conda activate tf-2.10

Avec l'environnement tf-2.10 activé, tout ce que vous installez via pip ou conda y sera encapsulé, sans être mélangé à d'autres installations. C'est dans cet environnement que vous installerez NumPy, TensorFlow 2.10 et les bibliothèques CUDA/cuDNN nécessaires.

Installez TensorFlow 2.10, compatible avec NumPy, CUDA et cuDNN dans Conda.

TensorFlow 2.10 a des exigences de bibliothèque très spécifiques . La première chose à faire est de vérifier que NumPy n'est pas installé dans la branche 2.x de l'environnement tf-2.10. Si vous soupçonnez qu'une version incompatible a été installée, vous pouvez définir la version correcte comme suit :

pip install numpy==1.23.5

Une fois que vous avez installé NumPy dans une version compatible, installez TensorFlow 2.10 à partir de pip dans le même environnement :

pip install tensorflow==2.10

Comme indiqué précédemment, TensorFlow 2.10 natif pour Windows est lié à CUDA 11.2 et cuDNN 8.1 . Pour simplifier l'installation et éviter d'utiliser les installateurs globaux de NVIDIA, vous pouvez installer ces bibliothèques directement dans l'environnement Conda via le canal conda-forge :

conda install -c conda-forge cudatoolkit=11.2 cudnn=8.1

Grâce à cette approche, vous n'êtes pas dépendant de la compatibilité globale de votre système avec la bibliothèque CUDA de TensorFlow. En effet, vous pouvez par exemple avoir CUDA 12.3 installé sous Windows pour d'autres tâches, et simultanément utiliser une version « virtuelle » de CUDA 11.2 au sein de tf-2.10 sans aucun conflit.

N'oubliez pas que le guide officiel de TensorFlow décrit également une procédure « classique » pour installer CUDA et cuDNN au niveau du systèmeen ajoutant leurs chemins d'accès à la variable d'environnement PATH de Windows. Si vous optez pour cette méthode traditionnelle, vous devrez vous assurer que les versions installées correspondent exactement à celles requises par TensorFlow et que le fichier cuDNN64_8.dll Elle est présente et accessible.

Installation classique des pilotes NVIDIA, du kit de développement CUDA 11.2 et de cuDNN 8.1

Si vous préférez ou devez installer CUDA/cuDNN globalement sous Windows 11 , il existe une méthode courante et éprouvée sous Windows 10 avec des GPU comme la GeForce RTX 2060. Cette approche repose sur la pile technologique officielle de NVIDIA et utilise des outils supplémentaires.

La première condition requise est un compilateur Microsoft Visual C++ , car CUDA Toolkit s'intègre à Visual Studio pour compiler certains composants. Le plus simple est d'installer Microsoft Visual Studio avec l'ensemble d'outils C++ activé.

Ensuite, installez les pilotes les plus récents pour votre carte graphique NVIDIA depuis le site web officiel de téléchargement NVIDIA , en sélectionnant votre modèle (par exemple, GeForce RTX 2060) et votre système d'exploitation Windows. Le programme d'installation propose généralement une installation rapide ; il vous suffit alors de l'accepter et de poursuivre.

Une fois les pilotes installés, vous pouvez procéder à l'installation de CUDA Toolkit 11.2 à partir des versions archivées de NVIDIA. Sélectionnez ensuite la branche 11.2, votre système d'exploitation (Windows) et le type d'installateur (.exe). Lors de l'installation, il est courant de choisir le mode « personnalisé », mais dans la plupart des cas, vous pouvez conserver les paramètres par défaut en cliquant simplement sur Suivant, puis sur OK.

L'étape suivante consiste à utiliser cuDNN 8.1, la bibliothèque dédiée aux réseaux neuronaux profonds . Pour la télécharger, vous devez être inscrit sur le portail développeur NVIDIA. Une fois connecté, accédez au fichier de version de cuDNN et choisissez la variante correspondant à CUDA 11.2 pour Windows.

Le package cuDNN n'est pas un installateur classique, mais un fichier compressé avec un dossier appelé « cuda » À l'intérieur, vous trouverez des sous-dossiers tels que bin, include et lib, contenant des fichiers .dll, .hy et autres. Il vous suffit de copier le contenu de ces sous-dossiers dans les répertoires correspondants de votre installation CUDA 11.2, généralement situés dans C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2, en respectant la structure de bin, include et lib.

Une fois ces fichiers copiés, il est important de vérifier et d'ajuster la variable d'environnement %PATH% de Windows afin d'y inclure les répertoires où se trouvent les bibliothèques CUDA, CUPTI et cuDNN. Par exemple, pour CUDA 11.0 (équivalent à la version 11.2), la documentation officielle suggère des commandes telles que :

SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\bin;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\extras\CUPTI\lib64;%PATH%
SET PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\include;%PATH%
SET PATH=C:\tools\cuda\bin;%PATH%

En adaptant ces chemins à votre version spécifique de CUDA et au dossier où vous avez placé cuDNN (par exemple, C:\tools\cuda), vous vous assurez que TensorFlow trouve les DLL nécessaires lors de son exécution.

Installez TensorFlow GPU dans des environnements Conda alternatifs et testez le GPU.

D'autres combinaisons de versions ont également été utilisées avec succès sous Windows , notamment avec des versions plus anciennes de TensorFlow. Par exemple, pour TensorFlow 2.6.0 avec un GPU dans un environnement Python 3.7, vous pouvez créer un environnement Conda comme ceci :

conda create -n test_tensorflow_gpu python=3.7

Après la création de l'environnement, il est activé avec :

conda activate test_tensorflow_gpu

puis installez tensorflow-gpu 2.6.0 à l'aide de pip :

pip install tensorflow-gpu==2.6.0

Il existe également des exemples d'environnements un peu plus anciens avec TensorFlow 2.1.0 et CUDA 10.1 , où un environnement Conda est créé avec Anaconda et Python 3.7.7, ipykernel est ajouté, et diverses dépendances scientifiques, Keras 2.3.1 et autres sont installées :

$ conda create -n entornoGPU anaconda python=3.7.7
$ conda activate entornoGPU
$ conda install ipykernel
$ python -m ipykernel install --user --name entornoGPU --display-name "entornoGPU"
$ conda install tensorflow-gpu==2.1.0 cudatoolkit=10.1
$ pip install tensorflow==2.1.0
$ pip install jupyter
$ pip install keras==2.3.1
$ pip install numpy scipy Pillow cython matplotlib scikit-image opencv-python h5py imgaug IPython

Quelle que soit la combinaison spécifique que vous choisissez (2.10, 2.6.0, 2.1.0, etc.), le schéma est toujours le même : créer un environnement virtuel propre, installer la version compatible de Python, ajouter TensorFlow et les bibliothèques CUDA/cuDNN appropriées, et enfin, vérifier que le GPU est visible.

Pour vérifier rapidement si TensorFlow reconnaît le GPU, ouvrez Python et exécutez :

import tensorflow as tf
print("TensorFlow version:", tf.__version__)
print("GPUs available:", tf.config.list_physical_devices('GPU'))

Le résultat idéal ressemblerait à ceci :

TensorFlow version: 2.10.0
GPUs available:

Oui, au contraire, La liste des GPU semble vide ([]TensorFlow utilise uniquement le processeur. Dans ce cas, il est conseillé de fermer le terminal, de réactiver l'environnement, de vérifier que les chemins d'accès à CUDA/cuDNN sont correctement configurés, que le pilote NVIDIA est à jour et qu'il n'existe aucune incompatibilité de version.

Utilisation du plugin TensorFlow-DirectML sous Windows 11

Pour de nombreux utilisateurs de Windows 11, notamment ceux équipés de cartes graphiques AMD ou Intel ou souhaitant éviter la complexité de CUDA/cuDNN, le plugin tensorflow-directml offre une alternative intéressante. Ce plugin exploite DirectML sur DirectX 12 et permet d'accélérer TensorFlow sans dépendre de l'écosystème CUDA.

La première condition est que votre système d'exploitation Windows 10/11 soit compatible (Windows 10 1709 ou supérieur, ou Windows 11 21H2 ou supérieur) et que votre carte graphique prenne en charge DirectX 12 et DirectML . De plus, vous avez besoin de Python x86-64 version 3.7, 3.8, 3.9 ou 3.10, la version 3.10 étant la plus récente compatible avec ce plugin.

Là encore, il est recommandé d'utiliser Miniconda pour créer un environnement virtuel . Après avoir installé Miniconda, vous pouvez créer un environnement nommé, par exemple, tfdml_plugin avec :

conda create --name tfdml_plugin python=3.9
conda activate tfdml_plugin

Une fois l'environnement activé, vous devez installer la version de base de TensorFlow sur CPU requise par le plugin , plus précisément tensorflow-cpu==2.10, car elle n'est pas compatible avec les versions « normales » de tensorflow ou tensorflow-gpu :

pip install tensorflow-cpu==2.10

Ensuite, le plugin tensorflow-directml lui-même s'installe avec une simple commande :

pip install tensorflow-directml-plugin

Une fois l'installation terminée, vos scripts TensorFlow utiliseront le backend DirectML de manière transparente , sans que vous ayez à modifier votre code. Si vous possédez déjà des modèles ou des notebooks, il vous suffit de les exécuter dans l'environnement du plugin tfdml_plugin.

Intégrez l'environnement Conda à PyCharm et à d'autres IDE.

Si vous utilisez PyCharm ou un autre IDE pour développer en Python , il est très utile d'associer directement l'interpréteur de l'IDE à l'environnement Conda que vous avez créé pour TensorFlow, afin d'exécuter et de déboguer des projets en utilisant exactement les versions de bibliothèque que vous avez configurées.

Dans PyCharm, par exemple, vous pouvez accéder à Fichier > Paramètres > Projet : <VotreProjet> > Interpréteur Python et ajouter votre environnement Conda existant. Pour ce faire, sélectionnez « Ajouter un interpréteur > Ajouter un interpréteur local ».

Dans l'assistant, choisissez « Environnement existant » et accédez au chemin d'accès à l'exécutable Python de votre environnement, qui ressemble généralement à ceci :

C:\Users\<tu_usuario>\miniconda3\envs\tf-2.10\python.exe

Une fois sélectionné, choisissez l'environnement tf-2.10 (ou le nom que vous lui avez attribué) , confirmez en cliquant sur OK, et PyCharm l'utilisera pour ce projet. Ainsi, les importations de TensorFlow, NumPy, CUDA/cuDNN, etc., seront toujours résolues à partir de l'environnement approprié.

Tests et benchmarks avancés GPU vs CPU

Outre la vérification de base « tf.config.list_physical_devices('GPU') » , il existe des méthodes plus avancées pour s'assurer que TensorFlow utilise le GPU et, accessoirement, mesurer la différence de performance réelle par rapport au CPU.

Pour les installations telles que TensorFlow-gpu 2.6.0 sous Python 3.7, vous pouvez écrire un petit script Python qui récupère la liste des périphériques locaux et affiche des informations détaillées sur le GPU, la version de CUDA et la version de cuDNN utilisés en interne par TensorFlow. Voici un exemple typique :

import tensorflow
from tensorflow.python.client import device_lib

def print_info():
print(' Version de TensorFlow : {}'.format(tensorflow.__version__))
print(' GPU : {}'.format())
print('Version CUDA -> {}'.format(tensorflow.sysconfig.get_build_info()))
print(' Version Cudnn -> {}'.format(tensorflow.sysconfig.get_build_info()))

imprimer_info()

Le résultat de ce type de script indique précisément ce que TensorFlow détecte : le nom du GPU (par exemple, NVIDIA GeForce RTX 2060), sa puissance de calcul et les versions CUDA/cuDNN intégrées. Vous pouvez ainsi vérifier la cohérence des configurations et l’utilisation du bon périphérique, et consulter un glossaire en cas de doute sur la terminologie.

Pour aller plus loin, des outils comme ai-benchmark permettent de comparer les performances du GPU et du CPU sur différents réseaux neuronaux populaires (MobileNet, Inception, ResNet, VGG, etc.). Pour l'installer dans votre environnement virtuel avec un GPU actif :

pip install ai-benchmark

Ensuite, à partir d'un interpréteur Python, vous pouvez exécuter un test de performance sur le GPU avec :

from ai_benchmark import AIBenchmark
benchmark_gpu = AIBenchmark(use_CPU=False)
benchmark_gpu.run_training()

Les résultats affichent les temps d'entraînement par modèle et un « score d'entraînement global sur le périphérique ». Lors de tests effectués avec une RTX 2060, par exemple, l'entraînement de MobileNet-V2 avec un lot de 50 et une taille de 224×224 a pris environ 325 ms par itération sur GPU.

Pour comparer avec le processeur, vous pouvez exécuter :

benchmark_cpu = AIBenchmark(use_CPU=True)
benchmark_cpu.run_training()

Dans les mêmes conditions, le processeur a mis environ 3148 ms pour exécuter le test MobileNet-V2 dans le même scénario, soit près de 10 fois plus longtemps que le GPU. Cet écart se confirme, avec des variations, dans d'autres modèles de référence, illustrant clairement l'avantage d'utiliser le GPU pour les entraînements intensifs.

Il est également possible d'effectuer une vérification plus basique dans un environnement TensorFlow 2.1.0/2.10 en exécutant :

$ python
$ import tensorflow as tf
$ tf.__version__
$ tf.test.gpu_device_name()

Si `tf.test.gpu_device_name()` renvoie une chaîne de caractères du type « /device:GPU:0 » , le GPU est détecté et utilisé par TensorFlow. Si elle renvoie une chaîne vide, la pile CUDA/cuDNN doit probablement être correctement configurée ou un problème de compatibilité de versions doit être résolu.

En combinant ces vérifications, en configurant des environnements virtuels avec Miniconda et en choisissant soigneusement les versions (TensorFlow 2.10 pour Windows natif avec CUDA 11.2 et cuDNN 8.1, ou tensorflow-cpu 2.10 avec le plugin DirectML), vous pouvez faire en sorte que TensorFlow tire parti de votre GPU sous Windows 11 sans vous arracher les cheveux à des erreurs cryptiques ni perturber d'autres installations Python déjà présentes sur votre machine.