【背景】
前段时间要做一个python语音识别模型，需要tf进行训练，考虑到有GPU就不用限制在CPU上了，所以尝试配置Tensorflow.
- 系统配置为：
- RTX4060+win11+Anaconda3，使用python3.10配置完成。
- 【补充建议：使用虚拟环境进行版本管理，我用anaconda创建了一个名为tf2，python=3.10的虚拟环境】
- 配置完成后，Tensorflow与cuda版本为：
- Tensorflow2.10.0+cuda11.8+cudnn8.7
【准备工作】
1、先去找个人电脑的基础配置，在cmd终端输入“nvidia-smi”查看GPU配置
右上角的“ CUDA Version: 12.3”是电脑能兼容的最高的CUDA版本
2、然后在官网（Build from source on Windows | TensorFlow (google.cn)）查看python-CUDA-Tensorflow的版本对应关系
根据电脑的python版本与CUDA最高兼容版本，来确定一个你能使用的Tensorflow的最高版本
例如我是python3.10，最高兼容CUDA12.3，因此我能够支持最新版的tensorflow_gpu-2.10.0，故选择该版本。该版本对应的CUDA版本是11.2.X
但是CUDA11.2.X不支持WIN11，经过本人实测，CUDA11.8.X版本也可以兼容。我最终采用了CUDA11.8.X。
需要注意的是：Tensorflow2.10以后的版本是不支持原生windows的，只能通过WSL方式安装，这不在我们的讨论范围内
3、选择好tensorflow版本之后，我们去下载对应的CUDA（网址：CUDA Toolkit Archive | NVIDIA Developer）与cuDNN（网址：cuDNN Archive | NVIDIA Developer）
注意：cuDNN选择与CUDA版本对应的版本即可
【安装工作】
安装顺序为：CUDA>>cuDNN>>tensorflow
CUDA和cuDNN的安装教程，网络上随处可见并且都很简洁明了，在此不再赘述。
tensorflow的安装，需要预先在anaconda创建好所需python版本的虚拟环境，然后在环境中用pip安装tensorflow
1 pip install tensorflow==2.10.0#之前确定的版本号
然后就大功告成了！
【验证】
安装好之后，需要向Jupyter Notebook添加该环境的内核，操作可以参考如下：
1 conda activate env_name #激活到虚拟环境 2 pip install ipykernel #安装ipykernel，不建议使用conda安装 3 python -m ipykernel install --user --name=kernel_name#=虚拟环境名称
然后使用如下例程验证是否可以用tensorflow识别到GPU：
1 import tensorflow as tf
2 print(tf.__version__)#查看tensorflow版本
3 print(tf.config.list_physical_devices('GPU'))
4 print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))
进一步可以打印GPU信息，代码如下：
1 from tensorflow.python.client import device_lib 2 devices = device_lib.list_local_devices() 3 [print(device) for device in devices if device.device_type == 'GPU']