jupyter下tensorflow安装教程gpu
时间: 2025-06-21 14:49:47 浏览: 7
### Jupyter Notebook 中安装支持 GPU 的 TensorFlow 教程
#### 创建并激活 Conda 虚拟环境
为了确保 TensorFlow-GPU 版本能够正常工作,在 Anaconda 下创建一个新的 Python 环境是非常重要的。这可以防止不同库之间的冲突。
```bash
conda create -n tensorflow-gpu python=3.8
conda activate tensorflow-gpu
```
#### 安装必要的依赖项
在新环境中,安装 CUDA 和 cuDNN 是必不可少的步骤之一。幸运的是,通过 `conda` 可以简化这个过程:
```bash
conda install cudatoolkit=11.2 cudnn=8.1 -c nvidia
```
#### 安装 TensorFlow-GPU
接下来,安装特定版本的 TensorFlow-GPU 来匹配已有的 CUDA/cuDNN 配置:
```bash
pip install tensorflow-gpu==2.6.0
```
#### 将新的 conda 环境添加到 Jupyter Kernel 列表中
为了让 Jupyter Notebook 认识到刚刚配置好的 TensorFlow-GPU 环境,需要执行如下操作来注册此环境作为可用 kernel:
```bash
python -m ipykernel install --user --name=tensorflow-gpu --display-name "Python (tensorflow-gpu)"
```
此时重启 Jupyter Notebook 后应该可以在启动界面看到名为 “Python (tensorflow-gpu)” 的选项[^3]。
#### 测试 TensorFlow 是否能识别 GPU 设备
打开 Jupyter Notebook 并选择之前设置过的内核,尝试运行下面这段代码验证是否成功启用了 GPU 支持:
```python
import tensorflow as tf
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
```
如果一切顺利的话,上述命令会返回大于零的数量表示存在可用的 GPU 设备[^2]。
需要注意的是,有时候即使是在终端上得到了正确的结果,但在 Jupyter Notebook 中却可能遇到不同的情况。这是因为两者所处的工作空间不一样造成的差异。因此建议按照以上方法重新建立专门针对 TensorFlow-GPU 的独立环境来进行开发调试[^4]。
阅读全文
相关推荐
















