在 Windows 11 中使用 Anaconda 建立 TensorFlow GPU 虛擬環境

TensorFlow 是由 Google 開發的深度學習 Python 套件。最近開始學習深度學習。雖然 Google Colab 是個不錯的學習平台，因為不需要自行安裝環境，但在免費版本中，如果不使用 GPU 運算，訓練速度會有些慢。

最近剛換了一台配備更好顯卡的電腦，但遺憾的是，從 TensorFlow 2.10.0 版本開始，似乎不再支援 Windows 系統。

雖然可以安裝舊版本的 TensorFlow，但如果想使用 GPU 進行運算，相關的套件和CUDA 版本也必須相互匹配。如果電腦裡只能有一個環境，未來在各種版本間切換的話，想想就覺得不太方便。

經過網路搜索和調查後，最終選擇安裝 Anaconda。不僅包含一些基本套件，還能建立多個獨立的虛擬環境。而且，CUDA 和 cuDNN 只需要用一個指令就能安裝，不用自己手動下載，方便了不少。

這邊將過程記錄下來，方便日後有需要重新配置環境時參考。

個人的電腦環境，如下，

• OS : Windows 11
• GPU : RTX 4060 Ti

前置作業

• 安裝 Visual Studio Code：我個人使用 VS Code 作為 IDE，因此文章後續將使用該 IDE 搭配虛擬環境進行操作。
• 安裝 Anaconda：前往 Anaconda 官網下載對應的安裝程式。目前下載時需要提供電子郵件，Anaconda 會將下載連結寄送到您的信箱。

指令懶人包

安裝完成 Anaconda 後，您會在預設安裝情況下看到以下這些程式。

接下來的操作步驟，皆使用 Anaconda Powershell Prompt 並透過指令進行。

以下列出，使用到的所有指令與順序，方便快速使用或進行回顧。

其中 <your_env_name> 為環境名稱，需自行命名該名稱

1
2
3
4
5
6
7

conda create --name <your_env_name> python=3.8
conda activate <your_env_name>

pip install tensorflow-gpu==2.10.0

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

建置與配置虛擬環境

以下是較詳細和過程的圖文步驟，

開啟 Anaconda Powershell Prompt，並透過指令進行操作。

首先，建立虛擬環境，輸入以下指令，其中 tf_env 為環境名稱，可以更改為其他名稱。此處指定的 Python 版本為 3.8：

1

conda create --name tf_env python=3.8

在安裝過程中，系統會提示是否安裝一些套件，此時請輸入 y 繼續

環境建置完成

環境建置完成後，接下來需要切換到該虛擬環境並安裝相關套件。使用以下指令來啟動環境，activate 後面為先前命名的環境名稱：

1

conda activate tf_env

切換成功後，您會發現命令提示符最前面的括號由原本的 base 變成了您所設定的環境名稱

接著，輸入以下指令來安裝指定版本的 TensorFlow GPU 2.10.0

1

pip install tensorflow-gpu==2.10.0

TensorFlow 安裝完成後，接下來需要安裝 CUDA。請輸入以下指令來安裝 CUDA 11.2。在安裝過程中，系統會提示是否安裝一些套件，此時請輸入 y 以繼續：

1

conda install -c conda-forge cudatoolkit=11.2

接下來安裝 CUDNN。請輸入以下指令來安裝 CUDNN 8.1。在安裝過程中，系統會提示是否安裝一些套件，此時請輸入 y 以繼續：

1

conda install -c conda-forge cudnn=8.1

到目前為止，虛擬環境與 TensorFlow 2.10.0 已經安裝完成

確認與使用環境

確認 TensorFlow 是否正常執行

為了確認 TensorFlow 是否正常執行，可以採取多種方式。這裡將在 Anaconda Powershell Prompt 中，於該環境下進行確認。

首先輸入 Python，進入 Python 環境中

1

Python

再來引入 TensorFlow，需要的話也可以列印出版本，

1
2

import tensorflow as tf
print(tf.__version__)

如果一切正常，將顯示與下圖相同的結果，並且不會出現任何錯誤

如果出現問題，則視窗中會顯示相關錯誤訊息，需要根據錯誤信息進行相應的排除

確認可在GPU上執行

接下來確認 Tensorflow 可在 GPU 上執行，

建立 py 檔案後，輸入下列程式碼，

接下來，將確認 TensorFlow 是否可以在 GPU 上執行。

請建立一個 .py 檔案，然後輸入以下程式碼：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

import tensorflow as tf
print(tf.__version__)

# 列出所有可用的 GPU 設備
gpus = tf.config.list_physical_devices('GPU')
if gpus:
    try:
        # 設置 TensorFlow 使用第一個 GPU
        tf.config.experimental.set_memory_growth(gpus[0], True)
        tf.config.experimental.set_visible_devices(gpus[0], 'GPU')
        print("TensorFlow 正在使用 GPU")
    except RuntimeError as e:
        print(e)
else:
    print("TensorFlow 正在使用 CPU")

使用 Visual Studio Code 開啟該檔案後，

可以透過以下任一方法選擇 Python 解譯器，

1. 在上方搜尋框中輸入 Python: Select Interpreter
2. 按下快捷鍵 Ctrl + Shift + P
3. 點擊 IDE 右下角的解譯器區塊

能看到該電腦上所有可用的 Python 解譯器。

如下圖所示，目前系統中有四個解譯器：一個位於本機電腦上，另外三個則為 Conda 的虛擬環境。

這邊選擇本次建立的環境 (tf_env)，

最後執行程式時，可以在終端機中查看執行結果。

如果顯示卡和環境設置正確，將會看到程式正常執行的結果

另外，可以在 Anaconda Navigator 的使用者介面中查看所有虛擬環境

自言自語543

自從知道深度學習與 TensorFlow 後，一直有點感到興趣，但是看著舊電腦中的顯卡弱弱 GTX 950，就想著未來換電腦再說吧 逃避現實

過幾年後，有段時間 Stable Diffusion 大爆紅，看著網路上別人生成的圖片和教學影片，也忍不住在電腦上裝來試試看，弱弱顯卡跑起來挺吃力的就是，也是那時候才知道了 Colab 的存在，稍微把玩一陣子後，覺得免費版的跑起來也是滿久的

而在某天突然覺得，該換台好一點的電腦，以及購買 AI 相關的書籍來試試看吧

於是乎，終於配好規格，把新電腦抱回家，經過一段電腦的效能測試 終於有機會把遊戲效能全開，才慢慢地往當初學習 TensorFlow 的目標前進，總之就先試看看吧，或許未來會使用其他框架也不一定