如何在 Windows 11 上逐步安裝帶有 GPU 的 TensorFlow

配置 TensorFlow 以充分利用 Windows 11 中的 GPU 效能 如果你對安裝 TensorFlow 一無所知就貿然上手，可能會遇到不少麻煩：版本不相容、各種奇怪的錯誤、過時的指南，以及與之前安裝的 Python、CUDA 或 cuDNN 的衝突。如果你曾經疑惑過“為什麼 TensorFlow 明明有強大的 GPU，卻還要使用 CPU？”，那麼這篇教學正是為你準備的。

在匯總和整合了來自各種官方指南和實際操作的資訊後，您將會看到 如何在 Windows 11 上讓 TensorFlow 與 GPU 協同運作 可靠地使用虛擬環境（Conda/Miniconda），你就會明白。 人工智慧的 Python 範例本文說明了哪些版本組合可行，如果您的 GPU 是 NVIDIA（CUDA），或者您想使用 DirectML（AMD、Intel、NVIDIA），您有哪些選項，以及如何驗證所有設定是否正確。最終目標是，完成後您將擁有一個穩定且隔離的環境，而不會破壞其他 Python 安裝或專案。

Windows 11 中的硬體需求和加速選項

在安裝任何東西之前，了解你想使用哪種類型的加速至關重要。 如果你 硬件 它兼容。在 Windows 11 中使用 GPU 運行 TensorFlow 主要有兩種方式：經典的 NVIDIA 技術堆疊（CUDA + cuDNN）或插件。 TensorFlow-DirectML-Plugin它基於 DirectX 12 運行，並支援 NVIDIA、AMD 和 Intel GPU。

如果您擁有支援 CUDA 的 NVIDIA GPU （例如，GeForce RTX 2060、RTX 3060 或類似顯示卡）您可以採用傳統的 CUDA 和 cuDNN 方法，此方法與原生 Windows 系統中的 TensorFlow 2.10 整合效果最佳。此方法非常依賴版本匹配： 驅動程序CUDA 工具包、cuDNN、Python 和 TensorFlow。有關安裝 CUDA 工具包的實用說明，您可以參考相關指南。 CUDA + cuDNN.

但是，如果您的GPU是AMD或Intel的，或者您只是想要一個更靈活的選擇， TensorFlow-DirectML-Plugin 可讓您透過 DirectML 使用 GPU。 在 Windows 10/11 系統上，無論是在原生模式下還是在 WSL 環境下，都無需依賴 CUDA/cuDNN，而是依賴 DirectX 12 支援和顯示卡的最新驅動程式。

Windows 系統上 DirectML 的典型最低系統需求概述 （根據微軟文件）這包括：Windows 10 版本 1709 或更高版本，或 Windows 11 21H2 或更高版本；64 位元系統上的 Python 3.7 至 3.10；以及相容的 GPU，例如 AMD Radeon R5/R7/R9 2xx 或更高版本、Intel HD Graphics 5 或更高版本。如果您直接使用 CUDA，請專注於支援 CUDA 3.5 架構或更高版本且驅動程式為最新版本的 NVIDIA GPU。

在任何情況下，都必須安裝最新的GPU驅動程式。 已安裝。在 Windows 系統中，您可以從「設定 >」檢查更新。 Windows更新 > 檢查更新”，對於 NVIDIA 顯示卡，還可以透過 GeForce Experience 應用程式或官方驅動程式網站進行檢查。

選擇版本：為什麼 TensorFlow 2.10 在 Windows 系統中至關重要

在 Windows 11 上使用 GPU 安裝 TensorFlow 時，最令人頭痛的問題之一就是… 問題在於並非所有版本都相容。從 TensorFlow 2.11 開始，Windows 系統不再原生支援 CUDA；因此，實際上，TensorFlow 2.10 是最後一個可以在 Windows 系統下透過 CUDA 使用 GPU 的穩定版本，而無需採用其他方法。 WSL 或者 Docker。

在配備英特爾酷睿 i7-11800H CPU、NVIDIA GeForce RTX 3060 筆記型電腦 GPU 和 16 GB 記憶體的 Windows 11 系統測試配置中， 在 Conda 環境中使用了 TensorFlow 2.10 和 Python 3.10，以及 CUDA 11.2 和 cuDNN 8.1。儘管系統全域安裝了 Python 3.12.6 和 CUDA 12.3，但正是由於使用了 Conda 虛擬環境才實現了這種分離。

TensorFlow 2.10 對 NumPy 特別敏感。它與 NumPy 2.x 不相容，因此請務必使用 NumPy 1.23.5 或其他受支援的 1.x 版本。如果您的環境中已安裝了 NumPy 2，則需要在安裝 TensorFlow 之前重新安裝相應的版本。

如果你使用的是歷史版本， TensorFlow 1.15 區分了 CPU 和 GPU 套件在 pip 中名稱不同（tensorflow 和 tensorflow-gpu）。從 TensorFlow 2.x 開始，pip 套件 tensorflow 在滿足 CUDA/cuDNN 要求時已整合 GPU 支持，但在 Windows 系統上，此支援實際上僅限於 2.10 分支。

對於選擇DirectML的人來說微軟推薦的組合是使用 tensorflow-cpu==2.10 作為基礎，然後添加 tensorflow-directml-plugin 套件，該套件會自動啟動 DirectML 後端，而無需更改您的程式碼。

在 Windows 11 上安裝並設定 Miniconda

避免 Python、TensorFlow、CUDA 和 cuDNN 版本之間衝突的最簡潔方法 它涉及到使用虛擬環境。 Miniconda 是一款輕量且非常便利的工具，可在 Windows 11 中建立這些隔離環境，同時保持全域安裝的完整性。

首先你需要 下載適用於 Windows 64 位元系統的 Miniconda 安裝程序 （x86-64 版本）。安裝程式通常為 .exe 檔案。在安裝過程中，強烈建議您不要選擇「將 Miniconda 新增至 PATH」選項，以免干擾您可能已安裝的其他 Python 版本。

安裝精靈完成後， 重新啟動電腦以確保所有內容都已正確註冊。然後，打開一個 終端 (CMD o PowerShell的）並透過執行以下命令檢查 conda 是否可用：

conda --version

如果你看到這樣的結果 conda 25.1.1 或類似情況，表示 Miniconda 已正確安裝，現在您可以開始為 TensorFlow 建立特定的 GPU 虛擬環境。

為TensorFlow 2.10和NVIDIA GPU建立Conda環境

Miniconda 啟動並運行後，下一步是建立隔離環境。 若要安裝 TensorFlow 2.10 及其所有 CUDA/cuDNN 依賴項，您需要確保這些變更不會影響其他專案或系統的整體 Python 環境。

打開 Anaconda Prompt 或 PowerShell 使用 Conda 支援並建立一個新環境，例如名為 tf-2.10 的環境，其中包含 Python 3.10：

conda create --name tf-2.10 python=3.10

環境創建完成後， 在你的 shell 中初始化 Conda 執行以下命令即可輕鬆啟動：

conda init

命令執行完畢後，關閉並重新開啟 PowerShell 或 CMD 窗口，以使變更生效。然後您就可以… 啟動新創建的環境 使用：

conda activate tf-2.10

啟用 tf-2.10 環境後，所有透過 pip 或 conda 安裝的程式都會生效。 它將被封裝在那裡，不會與其他安裝環境混雜。您將在該環境中安裝 NumPy、TensorFlow 2.10 以及必要的 CUDA/cuDNN 庫。

在 Conda 中安裝 TensorFlow 2.10、相容 NumPy、CUDA 和 cuDNN。

TensorFlow 2.10 對庫有非常具體的要求。首先要確保 tf-2.10 環境中的 NumPy 版本不是 2.x 版本。如果您懷疑安裝了不相容的版本，可以如下設定正確的版本：

pip install numpy==1.23.5

一旦你的 NumPy 版本達到可接受的程度， 使用 pip 安裝 TensorFlow 2.10。 在同一環境下：

pip install tensorflow==2.10

如前所述， 適用於原生 Windows 的 TensorFlow 2.10 與 CUDA 11.2 和 cuDNN 8.1 相關聯。為了簡化操作並避免使用 NVIDIA 的全域安裝程序，您可以使用 conda-forge 頻道直接在 Conda 環境中安裝這些函式庫：

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

通過這種方法， 你不需要依賴機器的全域 CUDA 工具包匹配。 TensorFlow 所需的版本。實際上，例如，你可以在 Windows 系統中安裝 CUDA 12.3 用於其他任務，同時在 tf-2.10 中使用「虛擬」CUDA 11.2，而它們之間不會相互衝突。

請記住，TensorFlow 官方指南也對此進行了描述。 在系統層級安裝 CUDA 和 cuDNN 的「經典」流程方法是將它們的路徑加入 Windows PATH 環境變數中。如果您決定採用這種傳統方法，則需要確保已安裝的版本與 TensorFlow 所需的版本完全匹配，並確保該文件 cuDNN64_8.dll 它存在且易於獲取。

NVIDIA 驅動程式、CUDA 工具包 11.2 和 cuDNN 8.1 的經典安裝方式

如果您希望或需要將 CUDA/cuDNN 全域安裝在 Windows 11 上有一個廣泛使用的邏輯序列，已在 Windows 10 系統上使用 GeForce RTX 2060 等 GPU 進行了測試。這種方法基於 NVIDIA 的官方技術堆疊，並依賴一些額外的工具。

第一件事是擁有 Microsoft Visual C++ 編譯器由於 CUDA Toolkit 與 Visual Studio 整合以編譯某些元件，因此最簡單的方法是安裝啟用了 C++ 工具集的 Microsoft Visual Studio。

然後 安裝適用於您的 NVIDIA GPU 的最新驅動程式 從網站 下載 使用 NVIDIA 官方安裝程序，選擇您的顯示卡型號（例如 GeForce RTX 2060）和相應的 Windows 作業系統。安裝程式通常會提供快速安裝模式；實際上，您只需接受並繼續即可。

有了合適的司機，你就可以繼續下一步了。 安裝 CUDA 工具包 11.2 從 NVIDIA 歸檔版本檔案中選擇 11.2 版本、作業系統（Windows）和安裝程式類型（.exe）。安裝過程中，通常會選擇「自訂」模式，但大多數情況下，只需按一下「下一步」和「確定」即可保留預設設定。

下一步是處理… cuDNN 8.1，是專門用於此的函式庫 神經網絡 深要下載它，您需要在 NVIDIA 開發者入口網站上註冊。登入後，存取 cuDNN 版本文件，並選擇與 Windows 版 CUDA 11.2 相符的版本。

cuDNN軟體包不是傳統的安裝程序，而是 一個包含名為“cuda”資料夾的壓縮文件 在裡面，你會找到諸如 bin、include 和 lib 之類的子資料夾，其中包含 .dll、.hy 和其他檔案。你需要做的就是將這些子資料夾的內容複製到 CUDA 11.2 安裝目錄下的相應路徑中，通常位於 [此處應填寫特定路徑]。 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2尊重 bin、include 和 lib 的結構。

文件複製完成後，重要的是… 檢查並調整 Windows %PATH% 環境變數。 包括 CUDA、CUPTI 和 cuDNN 庫所在的目錄。例如，對於 CUDA 11.0（類似於 11.2），官方文件建議： 命令 如：

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%

根據您的 CUDA 版本和 cuDNN 存放資料夾調整這些路徑。 （例如，C:\tools\cuda），確保 TensorFlow 在執行時能夠找到必要的 DLL 檔案。

在其他 Conda 環境中安裝 TensorFlow GPU 並測試 GPU

還有其他一些版本組合也已在 Windows 系統中成功使用。尤其是在使用較舊版本的 TensorFlow 時。例如，對於 Python 3.7 環境下的 TensorFlow 2.6.0（帶 GPU），您可以像這樣建立一個 Conda 環境：

conda create -n test_tensorflow_gpu python=3.7

環境創建完成後， 被激活:

conda activate test_tensorflow_gpu

然後它就安裝好了。 使用 pip 安裝 tensorflow-gpu 2.6.0:

pip install tensorflow-gpu==2.6.0

也有一些年代稍久遠的環境的例子。 TensorFlow 2.1.0 和 CUDA 10.1其中創建了一個包含 Anaconda 和 Python 3.7.7 的 Conda 環境，增加了 ipykernel，並安裝了各種科學計算依賴項、Keras 2.3.1 等：

$ 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

無論你選擇哪種具體組合 （2.10、2.6.0、2.1.0 等），模式始終相同：建立一個乾淨的虛擬環境，安裝相容版本的 Python，加入 TensorFlow 和對應的 CUDA/cuDNN 函式庫，最後檢查 GPU 是否可見。

快速查看 TensorFlow 是否識別 GPU 的方法是開啟 Python 並執行：

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

理想的輸出結果應該類似這樣:

TensorFlow version: 2.10.0
GPUs available:

如果相反， GPU列表似乎為空。 ([]如果 TensorFlow 僅使用 CPU，建議關閉終端，重新啟動環境，檢查 CUDA/cuDNN 路徑是否配置正確，NVIDIA 驅動程式是否為最新版本，以及是否有版本不相容的情況。

在 Windows 11 上使用 TensorFlow-DirectML-Plugin

對於許多 Windows 11 用戶來說，尤其是那些使用 AMD 或 Intel GPU 的用戶 對於想要避免 CUDA/cuDNN 複雜性的使用者來說，tensorflow-directml-plugin 提供了一個不錯的選擇。該插件利用 DirectX 12 上的 DirectML，無需依賴 CUDA 生態系統即可加速 TensorFlow。

首要條件是您的 Windows 10/11 版本必須相容（Windows 10 1709+ 或 Windows 11 21H2+），並且 該GPU支援DirectX 12和DirectML此外，您還需要 Python x86-64 版本 3.7、3.8、3.9 或 3.10，其中 3.10 是此外掛程式支援的最高版本。

再次推薦 使用 Miniconda 建立虛擬環境安裝 Miniconda 後，您可以使用以下指令建立一個名為 tfdml_plugin 的環境：

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

環境啟動後，您必須安裝 插件所需的 CPU 版 TensorFlow 基礎版本具體來說，需要使用 tensorflow-cpu==2.10 版本，因為它與「普通」的 tensorflow 或 tensorflow-gpu 不相容：

pip install tensorflow-cpu==2.10

接下來，安裝設備本身。 tensorflow-directml-plugin 簡單來說：

pip install tensorflow-directml-plugin

完成後，您的 TensorFlow 腳本應該開始使用 DirectML 後端透明化無需修改代碼。如果您已有模型或筆記本，只需在 tfdml_plugin 環境中運行它們即可。

將 Conda 環境與 PyCharm 和其他 IDE 集成

如果您使用 PyCharm 或其他 IDE 進行 Python 開發將 IDE 解釋器直接與為 TensorFlow 建立的 Conda 環境關聯起來非常有用，這樣您就可以使用您配置的程式庫版本來運行和偵錯專案。

例如，在 PyCharm 中，您可以前往 文件 > 設定 > 項目： Python直譯器 然後從那裡添加現有的 Conda 環境。為此，請選擇“新增解釋器 > 新增本機解釋器”。

在嚮導中，選擇 “現有環境” 然後導航到你的環境中的 Python 可執行檔的路徑，通常看起來像這樣：

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

選擇之後， 選擇 tf-2.10 環境（或你給它的任何名稱）。點擊「確定」後，PyCharm 將開始在該專案中使用它。這樣，TensorFlow、NumPy、CUDA/cuDNN 等的導入將始終從正確的環境解析。

進階 GPU 與 CPU 比較測試和基準測試

除了對「tf.config.list_physical_devices('GPU')」進行基本檢查之外還有更進階的方法可以確保 TensorFlow 使用 GPU，並且順便測量與 CPU 相比的實際效能差異。

對於像 Python 3.7 中的 TensorFlow-gpu 2.6.0 這樣的安裝，您可以這樣寫： 一點 腳本 在蟒蛇 此函數會擷取本機裝置列表，並顯示 TensorFlow 內部使用的 GPU、CUDA 版本和 cuDNN 版本的詳細資訊。一個典型的例子是：

import tensorflow
from tensorflow.python.client import device_lib

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

print_info()

這類腳本的產出會準確地告訴你 TensorFlow 看到了什麼。GPU 名稱（例如 NVIDIA GeForce RTX 2060）、運算能力以及整合的 CUDA/cuDNN 版本。這可以幫助您確認配置組合是否一致，以及是否正在使用正確的設備，並可參考相關文件。 專業術語 如果您對術語有任何疑問。

如果你想更進一步，可以使用以下工具： 人工智慧基準測試 它們可讓您比較各種流行神經網路（MobileNet、Inception、ResNet、VGG 等）的 GPU 和 CPU 效能。若要將其安裝到具有活動 GPU 的虛擬環境中：

pip install ai-benchmark

然後，您可以使用 Python 解釋器在 GPU 上執行基準測試：

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

結果顯示每個模型的訓練時間。 以及一個整體的「設備訓練分數」。例如，在使用 RTX 2060 進行測試時，使用 batch=50 和 size 224×224 訓練 MobileNet-V2，在 GPU 上每次迭代大約需要 325 毫秒。

要與 CPU 進行比較，您可以運行：

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

在相同條件下， CPU耗時約3148毫秒 在相同場​​景下，MobileNet-V2 的效能比 GPU 高出近 10 倍。這種差異（儘管略有不同）在其他基準測試模型中也得到了驗證，這清楚地表明了使用 GPU 進行密集訓練的優勢。

在 TensorFlow 2.1.0/2.10 環境中，也可以透過執行下列指令執行更基本的檢查：

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

如果 tf.test.gpu_device_name() 回傳類似「/device:GPU:0」的內容TensorFlow 正在偵測並使用 GPU。如果傳回空字串，則可能是 CUDA/cuDNN 堆疊需要正確配置，或有版本不相容問題。

結合這些檢查，使用 Miniconda 設定虛擬環境，並仔細選擇版本 （使用 TensorFlow 2.10 for Windows 原生版本，搭配 CUDA 11.2 和 cuDNN 8.1，或使用 tensorflow-cpu 2.10 搭配 DirectML 外掛程式），您可以讓 TensorFlow 在 Windows 11 上利用您的 GPU，而不會遇到令人抓狂的神秘錯誤，也不會破壞您安裝電腦上已有的其他 Python 電腦安裝。