Slik installerer du TensorFlow med GPU på Windows 11 trinn for trinn

Å konfigurere TensorFlow for å virkelig dra nytte av GPU-en på Windows 11 kan være litt av en prøvelse hvis du går inn i det i blinde: inkompatible versjoner, merkelige feil, utdaterte veiledninger og konflikter med tidligere Python-, CUDA- eller cuDNN-installasjoner. Hvis du noen gang har lurt på: «Hvorfor i all verden er TensorFlow fortsatt avhengig av CPU-en når jeg har en kraftig GPU?», er denne veiledningen for deg.

Etter å ha samlet og konsolidert informasjon fra ulike offisielle guider og praksis fra den virkelige verden, lærer du hvordan du kjører TensorFlow pålitelig med GPU-er på Windows 11 ved hjelp av virtuelle miljøer (Conda/Miniconda). Du vil også se Python-eksempler for AI , hvilke versjonskombinasjoner som fungerer, alternativene dine hvis GPU-en din er NVIDIA (CUDA) eller om du vil bruke DirectML (AMD, Intel, NVIDIA), og hvordan du bekrefter at alt er konfigurert riktig. Målet er at når du er ferdig, vil du ha et stabilt og isolert miljø uten å ødelegge andre Python-installasjoner eller -prosjekter.

Maskinvarekrav og akselerasjonsalternativer i Windows 11

Før du installerer noe som helst, er det viktig å vite hvilken type akselerasjon du vil bruke og om maskinvaren din er kompatibel. I Windows 11 har du hovedsakelig to alternativer for å bruke GPU-en din med TensorFlow: den klassiske NVIDIA-stakken (CUDA + cuDNN) eller TensorFlow-DirectML-Plugin , som kjører på DirectX 12 og støtter NVIDIA-, AMD- og Intel-GPU-er.

Hvis du har et NVIDIA GPU med CUDA-støtte (for eksempel et GeForce RTX 2060, RTX 3060 eller lignende), kan du følge den tradisjonelle tilnærmingen ved å bruke CUDA og cuDNN, som integreres best med den innebygde Windows TensorFlow 2.10. Denne metoden er i stor grad avhengig av å justere versjonene av driverne , CUDA Toolkit, cuDNN, Python og TensorFlow. For praktiske instruksjoner om installasjon av CUDA Toolkit, kan du se spesifikke veiledninger om CUDA + cuDNN.

Men hvis GPU-en din er AMD eller Intel, eller du bare ønsker et mer fleksibelt alternativ, lar TensorFlow-DirectML-Plugin deg bruke GPU-en din via DirectML i Windows 10/11, både innebygd og under WSL. I dette tilfellet er du ikke avhengig av CUDA/cuDNN, men heller av DirectX 12-støtte og oppdaterte drivere for grafikkortet ditt.

Typiske minimumssystemkrav for DirectML på Windows (i henhold til Microsofts dokumentasjon) inkluderer: Windows 10 versjon 1709 eller nyere, eller Windows 11 21H2 eller nyere; Python 3.7 til 3.10 (64-bit); og en kompatibel GPU som AMD Radeon R5/R7/R9 2xx eller nyere, Intel HD Graphics 5xx eller nyere, eller NVIDIA GeForce GTX 9xx eller nyere. Hvis du bruker CUDA direkte, fokuser på en NVIDIA GPU med CUDA 3.5-arkitektur eller nyere og oppdaterte drivere.

I alle tilfeller er det obligatorisk å ha de nyeste GPU-driverne installert. På Windows kan du se etter oppdateringer fra «Innstillinger > Windows-oppdatering > Se etter oppdateringer», og for NVIDIA også fra GeForce Experience-applikasjonen eller det offisielle drivernettstedet.

Valg av versjoner: hvorfor TensorFlow 2.10 er nøkkelen i Windows

En av de største hodepinene når man installerer TensorFlow med et GPU på Windows 11 er at ikke alle versjoner er kompatible. Fra og med TensorFlow 2.11 er innebygd CUDA-støtte i Windows avviklet; derfor er TensorFlow 2.10 i praksis den siste stabile versjonen du kan bruke med et GPU via CUDA på Windows uten å ty til WSL eller Docker.

I en testet konfigurasjon på Windows 11 med en Intel Core i7-11800H CPU, NVIDIA GeForce RTX 3060 Laptop GPU og 16 GB RAM, ble TensorFlow 2.10 med Python 3.10 brukt i Conda, sammen med CUDA 11.2 og cuDNN 8.1 , selv om systemet hadde Python 3.12.6 og CUDA 12.3 installert globalt. Denne separasjonen ble oppnådd nettopp takket være bruken av et virtuelt Conda-miljø.

TensorFlow 2.10 er spesielt sensitiv for NumPy : den fungerer ikke med NumPy 2.x, så det er viktig å holde NumPy 1.23.5 eller en annen støttet 1.x-versjon installert. Hvis du allerede hadde NumPy 2 installert i miljøet ditt, må du installere den riktige versjonen på nytt før du installerer TensorFlow.

Hvis du jobber med eldre versjoner, skilte TensorFlow 1.15 mellom CPU- og GPU-pakker , med forskjellige navn i pip (tensorflow og tensorflow-gpu). Fra og med TensorFlow 2.x inkluderer pip-pakken tensorflow innebygd GPU-støtte når CUDA/cuDNN-kravene er oppfylt, selv om denne støtten på Windows effektivt er begrenset til 2.10-grenen.

For de som velger DirectML , er kombinasjonen anbefalt av Microsoft å bruke tensorflow-cpu==2.10 som base og deretter legge til pakken tensorflow-directml-plugin, som automatisk aktiverer DirectML-backend uten å endre koden din.

Installere og sette opp Miniconda på Windows 11

Den reneste måten å unngå konflikter mellom versjoner av Python, TensorFlow, CUDA og cuDNN på er å jobbe med virtuelle miljøer. Miniconda er et lett og veldig praktisk alternativ for å opprette disse isolerte miljøene på Windows 11, samtidig som globale installasjoner holdes intakte.

Først må du laste ned Miniconda-installasjonsprogrammet for Windows 64-bit (x86-64-versjonen). Installasjonsprogrammet kommer vanligvis som en .exe-fil. Under installasjonen anbefales det på det sterkeste at du ikke velger alternativet "Legg til Miniconda i PATH" for å unngå konflikter med andre Python-installasjoner du måtte ha.

Når installasjonsveiviseren er fullført, start datamaskinen på nytt for å sikre at alt er registrert riktig . Åpne deretter en terminal ( CMD eller PowerShell ) og bekreft at conda er tilgjengelig ved å kjøre:

conda --version

Hvis du ser et resultat som dette conda 25.1.1 eller lignende, betyr at Miniconda er riktig installert, og du kan nå begynne å lage spesifikke virtuelle miljøer for TensorFlow med GPU.

Opprett et Conda-miljø for TensorFlow 2.10 og NVIDIA GPU-er

Når Miniconda er oppe og går, er neste steg å opprette et isolert miljø for å installere TensorFlow 2.10 sammen med alle CUDA/cuDNN-avhengigheter. Dette vil sikre at endringene ikke påvirker andre prosjekter eller det generelle Python-miljøet på systemet.

Åpne Anaconda Prompt eller PowerShell med Conda-støtte og opprett et nytt miljø, for eksempel kalt tf-2.10, med Python 3.10:

conda create --name tf-2.10 python=3.10

Når miljøopprettelsen er fullført, initialiser Conda i skallet ditt slik at du enkelt kan aktivere det ved å kjøre:

conda init

Etter den kommandoen, lukk og åpne PowerShell- eller CMD-vinduet på nytt for at endringene skal tre i kraft. Deretter kan du aktivere det nyopprettede miljøet med:

conda activate tf-2.10

Med tf-2.10-miljøet aktivt, vil alt du installerer ved hjelp av pip eller conda bli innkapslet der, uten å bli blandet med andre installasjoner. Det er i dette miljøet du vil installere NumPy, TensorFlow 2.10 og de nødvendige CUDA/cuDNN-bibliotekene.

Installer TensorFlow 2.10, NumPy-kompatibel, CUDA og cuDNN i Conda

TensorFlow 2.10 har svært spesifikke bibliotekkrav . Det første du må gjøre er å sørge for at NumPy ikke er i 2.x-grenen i tf-2.10-miljøet. Hvis du mistenker at en inkompatibel versjon er installert, kan du angi riktig versjon som følger:

pip install numpy==1.23.5

Når du har NumPy i en godkjent versjon, installer TensorFlow 2.10 fra pip i samme miljø:

pip install tensorflow==2.10

Som nevnt tidligere er den innebygde Windows TensorFlow 2.10 knyttet til CUDA 11.2 og cuDNN 8.1 . For å forenkle ting og unngå å måtte håndtere NVIDIAs globale installasjonsprogrammer, kan du installere disse bibliotekene direkte i Conda-miljøet ved hjelp av conda-forge-kanalen:

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

Med denne tilnærmingen er du ikke avhengig av at maskinens globale CUDA Toolkit samsvarer med TensorFlows krav. Faktisk kan du ha for eksempel CUDA 12.3 installert på Windows for andre oppgaver, og samtidig bruke en "virtuell" CUDA 11.2 i tf-2.10 uten at de kommer i konflikt.

Husk at den offisielle TensorFlow-guiden også beskriver en «klassisk» prosedyre for å installere CUDA og cuDNN på systemnivåved å legge til stiene deres i Windows PATH. Hvis du bestemmer deg for å følge denne tradisjonelle metoden, må du sørge for at de installerte versjonene samsvarer nøyaktig med de som kreves av TensorFlow, og sørge for at filen cuDNN64_8.dll Den er tilstede og tilgjengelig.

Klassisk installasjon av NVIDIA-drivere, CUDA Toolkit 11.2 og cuDNN 8.1

Hvis du foretrekker eller trenger å ha CUDA/cuDNN globalt installert på Windows 11 , finnes det en mye brukt logisk sekvens som også har blitt testet på Windows 10 med GPU-er som GeForce RTX 2060. Denne tilnærmingen er basert på NVIDIAs offisielle stabel og er avhengig av noen tilleggsverktøy.

Det første kravet er en Microsoft Visual C++-kompilator , ettersom CUDA Toolkit integreres med Visual Studio for å kompilere visse komponenter. Den enkleste måten å gjøre dette på er å installere Microsoft Visual Studio med C++-verktøysettet aktivert.

Deretter installerer du de nyeste driverne for NVIDIA GPU-en din fra det offisielle NVIDIA - nedlastingsnettstedet , og velger din spesifikke modell (for eksempel GeForce RTX 2060) og det tilhørende Windows-operativsystemet. Installasjonsprogrammet tilbyr vanligvis en rask installasjonsmodus; i praksis trenger du bare å godta og fortsette.

Når driverne er installert, kan du fortsette med å installere CUDA Toolkit 11.2 fra NVIDIAs arkiverte versjoner. Der velger du 11.2-grenen, operativsystemet ditt (Windows) og installasjonstypen (.exe). Under installasjonen er det vanlig å velge en "tilpasset" modus, men i de fleste tilfeller kan du la standardinnstillingene være ved å klikke på Neste og OK.

Neste steg er å jobbe med cuDNN 8.1, det spesifikke biblioteket for dype nevrale nettverk . For å laste det ned må du være registrert på NVIDIAs utviklerportal. Når du er logget inn, åpner du cuDNN-versjonsfilen og velger varianten som samsvarer med CUDA 11.2 for Windows.

cuDNN-pakken er ikke et klassisk installasjonsprogram, men en komprimert fil med en mappe kalt «cuda» Inni finner du undermapper som bin, include og lib, fylt med .dll, .hy og andre filer. Det du trenger å gjøre er å kopiere innholdet i disse undermappene til de tilsvarende stiene i CUDA 11.2-installasjonen din, vanligvis i C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2, med respekt for strukturen til bin, include og lib.

Når disse filene er kopiert, er det viktig å sjekke og justere Windows %PATH%-miljøvariabelen for å inkludere mappene der CUDA-, CUPTI- og cuDNN-bibliotekene ligger. For eksempel, for CUDA 11.0 (analogt med 11.2), foreslår den offisielle dokumentasjonen kommandoer som:

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%

Ved å tilpasse disse stiene til din spesifikke CUDA-versjon og mappen der du har plassert cuDNN (for eksempel C:\tools\cuda), sikrer du at TensorFlow finner de nødvendige DLL-ene når den kjører.

Installer TensorFlow GPU i alternative Conda-miljøer og test GPU-en

Det finnes andre versjonskombinasjoner som også har blitt brukt med hell på Windows , spesielt med eldre versjoner av TensorFlow. For eksempel, for TensorFlow 2.6.0 med en GPU i et Python 3.7-miljø, kan du opprette et Conda-miljø slik:

conda create -n test_tensorflow_gpu python=3.7

Etter at miljøet er opprettet, aktiveres det med :

conda activate test_tensorflow_gpu

og installer deretter tensorflow-gpu 2.6.0 ved hjelp av pip :

pip install tensorflow-gpu==2.6.0

Det finnes også eksempler på noe eldre miljøer med TensorFlow 2.1.0 og CUDA 10.1 , hvor et Conda-miljø opprettes med Anaconda og Python 3.7.7, ipykernel legges til, og diverse vitenskapelige avhengigheter, Keras 2.3.1 og andre, installeres:

$ 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

Uansett hvilken spesifikk kombinasjon du velger (2.10, 2.6.0, 2.1.0, osv.), er mønsteret alltid det samme: opprett et rent virtuelt miljø, installer den kompatible versjonen av Python, legg til TensorFlow og de aktuelle CUDA/cuDNN-bibliotekene, og til slutt, sjekk at GPU-en er synlig.

En rask måte å se om TensorFlow gjenkjenner GPU-en er å åpne Python og kjøre:

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

Det ideelle resultatet ville se omtrent slik ut :

TensorFlow version: 2.10.0
GPUs available:

Hvis tvert imot, Listen over GPU-er ser tom ut ([]), bruker TensorFlow bare CPU-en. I så fall anbefales det å lukke terminalen, aktivere miljøet på nytt, kontrollere at CUDA/cuDNN-banene er riktig konfigurert, at NVIDIA-driveren er oppdatert, og at det ikke er noen versjonsinkompatibiliteter.

Bruk av TensorFlow-DirectML-plugin på Windows 11

For mange Windows 11-brukere, spesielt de med AMD- eller Intel-GPU-er , eller som ønsker å unngå kompleksiteten til CUDA/cuDNN, tilbyr tensorflow-directml-plugin et interessant alternativ. Denne pluginen utnytter DirectML oppå DirectX 12 og lar deg akselerere TensorFlow uten å være avhengig av CUDA-økosystemet.

Det første kravet er at Windows 10/11-versjonen din er kompatibel (Windows 10 1709+ eller Windows 11 21H2+), og at GPU-en din støtter DirectX 12 og DirectML . I tillegg trenger du Python x86-64 versjon 3.7, 3.8, 3.9 eller 3.10, hvor 3.10 er den høyeste versjonen som støttes av denne plugin-modulen.

Igjen anbefales det å bruke Miniconda til å opprette et virtuelt miljø . Etter at du har installert Miniconda, kan du opprette et miljø kalt for eksempel tfdml_plugin med:

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

Når miljøet er aktivert, må du installere basisversjonen av TensorFlow på CPU-en som plugin-modulen krever , nærmere bestemt tensorflow-cpu==2.10, da den ikke er kompatibel med "normal" tensorflow eller tensorflow-gpu:

pip install tensorflow-cpu==2.10

Deretter installeres selve tensorflow-directml-pluginen med en enkel:

pip install tensorflow-directml-plugin

Når det er fullført, skal TensorFlow-skriptene dine begynne å bruke DirectML-backend transparent , uten at du trenger å endre koden din. Hvis du allerede hadde modeller eller notatbøker, kan du bare kjøre dem i tfdml_plugin-miljøet.

Integrer Conda-miljøet med PyCharm og andre IDE-er

Hvis du bruker PyCharm eller et annet IDE til å utvikle i Python , er det veldig nyttig å knytte IDE-tolken direkte til Conda-miljøet du har opprettet for TensorFlow, slik at du kjører og feilsøker prosjekter med nøyaktig de bibliotekversjonene du har konfigurert.

I PyCharm kan du for eksempel gå til Fil > Innstillinger > Prosjekt: <DittProsjekt> > Python-tolk og legge til ditt eksisterende Conda-miljø derfra. For å gjøre dette, velg «Legg til tolk > Legg til lokal tolk».

I veiviseren velger du «Eksisterende miljø» og navigerer til banen til miljøets Python-kjørbare fil, som vanligvis ser slik ut:

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

Når du har valgt dette, velger du tf-2.10-miljøet (eller hvilket navn du enn ga det) , bekrefter med OK, og PyCharm vil begynne å bruke det for det prosjektet. På denne måten vil import av TensorFlow, NumPy, CUDA/cuDNN osv. alltid bli løst fra riktig miljø.

Avanserte GPU vs CPU-tester og benchmarks

I tillegg til den grunnleggende sjekken av «tf.config.list_physical_devices('GPU')» , finnes det mer avanserte måter å sikre at TensorFlow bruker GPU-en, og for øvrig måle den faktiske ytelsesforskjellen sammenlignet med CPU-en.

For installasjoner som TensorFlow-gpu 2.6.0 i Python 3.7, kan du skrive et lite Python- skript som henter en liste over lokale enheter og viser detaljert informasjon om GPU-en, CUDA-versjonen og cuDNN-versjonen som TensorFlow bruker internt. Et typisk eksempel ville være:

import tensorflow
from tensorflow.python.client import device_lib

def print_info():
print('TensorFlow-versjon: {}'.format(tensorflow.__versjon__))
print('GPU: {}'.format())
print('Cuda-versjon -> {}'.format()tensorflow.sysconfig.get_build_info()))
print('Cudnn-versjon -> {}'.format(tensorflow.sysconfig.get_build_info()))

print_info()

Utdataene fra denne typen skript forteller deg nøyaktig hva TensorFlow ser : GPU-navnet (for eksempel NVIDIA GeForce RTX 2060), beregningskapasiteten og de integrerte CUDA/cuDNN-versjonene. Dette lar deg bekrefte at kombinasjonene er konsistente og at riktig enhet brukes, og du kan konsultere en ordliste hvis du er i tvil om terminologien.

Hvis du vil ta det et skritt videre, lar verktøy som ai-benchmark deg sammenligne GPU- og CPU-ytelse på tvers av ulike populære nevrale nettverk (MobileNet, Inception, ResNet, VGG, osv.). Slik installerer du det i ditt virtuelle miljø med en aktiv GPU:

pip install ai-benchmark

Deretter kan du kjøre en benchmark på GPU-en fra en Python-tolk med:

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

Resultatene viser treningstider per modell og en samlet «enhetstreningspoengsum». I tester med en RTX 2060 tok for eksempel MobileNet-V2-trening med batch=50 og størrelse 224×224 rundt 325 ms per iterasjon på GPU.

For å sammenligne med CPU-en kan du kjøre:

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

Under de samme forholdene brukte CPU-en omtrent 3148 ms i MobileNet-V2 i samme scenario, nesten 10 ganger lenger enn GPU-en. Denne forskjellen gjentas, med variasjoner, i andre referansemodeller, noe som tydelig illustrerer fordelen med å bruke GPU-en til intensiv trening.

Det er også mulig å utføre en mer grunnleggende sjekk i et TensorFlow 2.1.0/2.10-miljø ved å kjøre:

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

Hvis `tf.test.gpu_device_name()` returnerer noe sånt som «/device:GPU:0» , blir GPU-en oppdaget og brukt av TensorFlow. Hvis den returnerer en tom streng, må CUDA/cuDNN-stakken sannsynligvis konfigureres riktig, eller en versjonsinkompatibilitet må rettes.

Ved å kombinere disse kontrollene, sette opp virtuelle miljøer med Miniconda og velge versjoner nøye (TensorFlow 2.10 for native Windows med CUDA 11.2 og cuDNN 8.1, eller tensorflow-cpu 2.10 med DirectML-pluginen), kan du få TensorFlow til å dra nytte av GPU-en din på Windows 11 uten å bli full av kryptiske feil eller ødelegge andre Python-installasjoner du allerede har på maskinen din.