TensorFlow-GPU环境搭建实战：从Anaconda到CUDA/cuDNN完整指南

简介：面向深度学习初学者与需要搭建GPU训练环境的开发者，这份PPT完整梳理了从Anaconda环境管理器安装、CUDA与cuDNN配置、TensorFlow-gpu版本部署到Keras环境搭建的全程操作路径，并附有MNIST手写数字识别的Keras分类示例代码，可直接对照实践。资源包含1个pptx演示文件，压缩包约4.3MB，内容以步骤截图和命令行说明为主，涵盖NVIDIA显卡型号确认、CUDA版本选择（如RTX 2060对应CUDA 10.0）、环境变量设置、conda虚拟环境创建、指定版本安装等关键环节，适合作为深度学习环境搭建的安装指导或教学演示材料。已有1673人浏览学习，对刚入门TensorFlow、Keras的读者尤其实用，可帮助规避版本不匹配和路径配置的常见坑，快速完成从零到可运行的GPU训练环境部署。

1. 深度学习环境不是玄学：一份能照着装的 TensorFlow-gpu 落地清单

做深度学习的同事十有八九在环境搭建上翻过车：Anaconda 装好了，CUDA 装好了，Tensorflow-gpu 也一键装上了，结果 import 时报个 DLL 缺失，前面全部白干。这套环境不是玄学，本质是版本对齐——Python 3.7 由 Anaconda 管，CUDA 10.0 对应 Tensorflow-gpu 2.0，cuDNN 补齐 GPU 上的卷积加速，最后用 Keras 把模型拼起来。这份安装步骤 PPT 覆盖从 Anaconda 到 Cuda及cuDNN、再到 Tensorflow-gpu 与 Keras 的完整链路，我按 RTX 2060 的 Windows 机器完整跑了一遍，把能复现的路径、参数和坑整理成文，适合刚搭 GPU 环境的从业者，也适合想核对版本对应关系的熟手。

2. Anaconda 安装与 Conda 环境管理：装到 D 盘、配好 PATH、隔离依赖

2.1 下载与安装：为什么我坚持装到非系统盘

原 PPT 的做法是登录 anaconda 官网点 download，选择操作系统和版本，下载到 D 盘再打开安装。我复现时也是这个路径，不过实际下载时官网走的是海外分发，速度经常不稳，国内网络环境下我一般会换镜像源下载安装包，版本一致，后面的装法完全一样。

下载时注意区分 Windows 和 macOS、64 位和 32 位，现在基本都是 64 位。下载完双击安装，安装路径别用默认的 C 盘用户目录下的 Anaconda3，建议直接改到 D:\Anaconda3。原因很实际：conda 环境后面会用掉十几个 G，而且系统盘一旦重装，C 盘里的环境全没了；装到 D 盘还能整目录备份，出问题删掉重装就行。

安装过程中有两个勾选项值得说。一个是 "Add Anaconda to my PATH environment variable"，个人使用我建议勾上，这样 cmd 里直接能敲 conda；团队机器上我不勾，避免和已有的 Python 环境抢 PATH。另一个是 "Register Anaconda as my default Python"，如果这台机器上已经装了别的 Python，这个选项别勾，否则所有 Python 脚本的默认解释器都会被改成 Anaconda。

conda --version conda list

逻辑说明：conda --version确认命令可用；conda list输出当前环境的包列表。能看到一长串包名就说明 Anaconda 本体正常。装完先跑这两条，比任何界面验证都快，也顺便在终端里确认一下 conda 指向的是刚装的那个 Anaconda 目录。

参数说明：conda list不带任何参数时显示 base 环境的包。后面激活虚拟环境后再跑它，显示的就是那个环境的包列表，这是最快判断"当前在哪个环境"的办法。

2.2 PATH 配置：conda 命令找不到怎么办

装完 Anaconda 最常见的现象是打开 cmd 敲 conda，提示"不是内部或外部命令"。原因就两个：要么安装时没勾 Add to PATH，要么是 Anaconda Prompt 能用但 cmd 不能用。Anaconda Prompt 启动时会自动加载 conda 的初始化脚本，所以它永远能用；cmd 能不能用取决于 PATH 里有没有 D:\Anaconda3 和 D:\Anaconda3\Scripts 这两条。

如果当初勾过 PATH 还是找不到，检查系统环境变量里这两条路径是否还在、有没有写对。安装路径改过的话，PATH 里的路径也要跟着改。改完新开的终端才会生效，老窗口不刷新。

PATH 配好后，我还会顺手验证一下 pip 的来源，在 cmd 里跑pip --version，看它指向的是 Anaconda 目录下的 pip 还是别的 Python 的 pip。翻车案例里最常见的就是 Terminal 里 conda 是 D 盘的，pip 却是 C 盘 Python 下的，两边各管各，后面装 Keras 装错地方都查不出来。

2.3 用 Conda 管环境：虚拟环境是后悔药

Anaconda 装好后，第一步别急着装包，先想清楚要不要用虚拟环境。窗口里的 base 环境相当于全家桶，深度学习项目版本敏感度高，我都是为项目单独建环境。建环境的命令后面安装 TensorFlow 时要用，这里先把基础用法过一遍。

conda create -n tf2 pip python=3.7 conda info --envs conda activate tf2 conda deactivate

逻辑说明：create -n指定环境名，pip python=3.7表示在这个环境里预装 pip 并指定 Python 版本。conda info --envs显示已有环境列表，带星号的是当前所在环境。activate进入环境，deactivate退出。每个环境是独立目录，互不影响，这就是后悔药——环境搞坏了直接删掉重建，不用重装 Anaconda。

参数说明：创建过程会列出一串要安装的包，输入 y 确认。conda create和conda install在 Windows 下经常卡在 Solving environment，一般等几分钟正常，超过十分钟多半是源的问题，这个在避坑章单独展开。

注意：虚拟环境名尽量别跟包名重名。有人建了个叫 keras 的环境，再装 keras 包时，conda 会尝试解析同名环境，行为会很奇怪。

3. CUDA 与 cuDNN 的版本账：RTX 2060 + CUDA 10.0 的选型与配置

3.1 版本对应关系：先看 TensorFlow 要什么，再回头挑 CUDA

装 CUDA 之前，先别急着去下载最新版。TensorFlow-gpu 的每个版本都对编译时的 CUDA 版本有固定要求，装新不装旧在这里是翻车重灾区。原 PPT 里是 Tensorflow-gpu 2.0，对应 CUDA 10.0、cuDNN 7.4，这套对应关系在官方文档里有专门表格。正确的选型顺序应该是：先定 TensorFlow 版本，再看它要求的 CUDA 版本，最后按 CUDA 版本选 cuDNN。

同时还要看显卡。RTX 2060 是图灵架构，算力 7.5，CUDA 10.0 能完整支持。如果显卡是特别老的 GTX 7 系列或特别新的 40 系列，同一个 TensorFlow 版本配的 CUDA 可能不兼容，那就要换 TensorFlow 版本而不是硬装 CUDA。显卡算力和 CUDA 版本的关系在 NVIDIA 的兼容表里能查到，注意别只看显卡新不新。

3.2 安装 CUDA Toolkit：exe 安装里有一个不必装的组件

在 NVIDIA 的 CUDA Toolkit Archive 页面找到 cuda_10.0.130_411.31_win10.exe，下载后双击。安装方式选"自定义"，组件列表里有一项是 NVIDIA Display Driver，如果你的显卡驱动已经是 410 以上，这一项可以取消勾选。原 PPT 是默认全装，装完也能用，但驱动版本比 Toolkit 新时多装一次没意义，还有可能覆盖掉当前驱动造成显卡异常。

安装目录建议用默认的 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.0，后面 cuDNN 复制、环境变量配置都按这个路径来。装完打开 cmd 验证。

nvcc --version nvidia-smi

逻辑说明：nvcc是 CUDA 编译器，能输出版本信息就说明 Toolkit 装好了。nvidia-smi显示显卡驱动信息，右上角的 CUDA Version 是当前驱动支持的 CUDA 最高版本，不等于你装的 Toolkit 版本。很多人看到两个数字不一样就心慌，其实是两回事。

3.3 配置环境变量与复制 cuDNN：三个文件放对位置

安装时 CUDA 会自动生成 CUDA_PATH 和 CUDA_PATH_V10_0 两个系统变量。原 PPT 的截图里显示的却是 CUDA_PATH_V10_1，这个对不上的问题我放到避坑章专门说。总之先打开系统环境变量窗口，确认 CUDA_PATH 存在，然后手动加一个 CUDA_SDK_PATH，再把 PATH 里补四项。

PATH 追加项在系统变量里编辑，每条一行。这里用 %CUDA_PATH% 变量引用而不是写死路径，后面升级 CUDA 版本时只要改 CUDA_PATH 本身，PATH 不用动。这个习惯我从第一次配环境就开始用，省了很多维护成本。

cuDNN 需要在 NVIDIA 官网注册账号，在 cuDNN 下载页选对应 CUDA 10.0 的版本，下载的是一个压缩包。解压后里面是 bin、include、lib 三个目录，把三个目录里的文件分别复制到 CUDA 安装目录下的同名目录里。

复制完检查目标文件确实存在，然后按原 PPT 的说法把 cuDNN 解压目录里的 bin 也加进环境变量。我按自己的习惯只加一个 %CUDA_PATH%\bin，因为 cudnn64_7.dll 已经复制进了 CUDA 的 bin 目录，不需要重复加。加多了反而容易让程序加载到错误路径下的同名 DLL。

4. Tensorflow-gpu 与 Keras 安装：虚拟环境、版本配对与依赖检查

4.1 创建 tensorflow 环境：那行命令为什么带 pip

打开 Anaconda Prompt，创建虚拟环境的命令是 conda create -n tensorflow pip python=3.7。这里有两个点容易被忽略。一是环境名叫 tensorflow，但可以随便取，叫 tf2 或者 dl 都行；二是命令里带了 pip，意思是让 conda 在创建环境时把 pip 也装进去，后面安装 TensorFlow 和 Keras 都用环境内的 pip，避免用到 base 环境或系统 Python 的 pip。

conda create -n tensorflow pip python=3.7 conda info --envs conda activate tensorflow

逻辑说明：create 命令执行后 conda 会列出要安装的包清单，输入 y 确认。python=3.7 指定解释器版本。info --envs 查看是否创建成功。activate 进入环境后，命令行前缀会变成 (tensorflow)，后面的 pip install 都装进这个环境，和 base 环境完全隔离。

参数说明：Python 版本必须和 TensorFlow 版本对上。TensorFlow 2.0 官方支持 Python 3.5-3.7，所以 3.7 是当时的上限，装到 3.8 会直接找不到匹配的 tensorflow-gpu 2.0。报错信息里出现"usually comes with Python"字样，就是在提示你版本不匹配。

4.2 安装 tensorflow-gpu==2.0：pip 与镜像源

进入环境后，执行 pip install tensorflow-gpu==2.0。为什么用 pip 而不是 conda install？原 PPT 用的是 pip，我复现也推荐 pip。conda 里的 tensorflow-gpu 包更新比 PyPI 慢，pip 更贴近官方安装说明。要特别注意：不要直接 pip install tensorflow-gpu 不写版本，那样会拉最新的 TensorFlow 2.x 高版本，和 CUDA 10.0 大概率对不上。

pip install tensorflow-gpu==2.0 # 用 findstr 过滤，只看 tensorflow 相关包 pip list | findstr tensorflow

逻辑说明：第一行安装指定版本。第二行通过 findstr 过滤输出，能看到 tensorflow-gpu 2.0.0、tensorflow-estimator 等包，确认装的是 2.0 而不是 2.x 全家桶。如果 pip 下载慢，加 -i 参数走镜像源：pip install tensorflow-gpu==2.0 -i https://pypi.tuna.tsinghua.edu.cn/simple，这是国内网络下的常见做法，不影响依赖判断。

装完别急着跑 Demo，先确认 pip 和环境里 TensorFlow 的对应关系。方法是在 tensorflow 环境下输入 python 进入解释器，import tensorflow as tf，然后看 tf.version。如果打印的是 2.0.0 说明环境干净；如果打印出来是 1.x，那多半是混装了其他环境里的包，这是后面排查问题的重要依据。

4.3 Keras 安装：独立 Keras 与 tf.keras 的边界

原 PPT 在 TensorFlow 装完后接着 pip install keras，并且推荐 keras==2.3.1。这里有个背景要讲清楚：TensorFlow 2.0 开始内置了 tf.keras，如果你只用 TensorFlow 训练模型，直接 from tensorflow import keras 就行，不用单独装。但如果你需要独立的 keras 包，比如课程要求 import keras 这种写法，那就得装和 TF 2.0 配套的 2.3.1。

pip install keras==2.3.1 python -c "import keras; print(keras.__version__)"

逻辑说明：指定 2.3.1 是为了和 tensorflow-gpu 2.0 配套。如果直接 pip install keras 不写版本，2020 年之后装到的是 Keras 3.x，那是给 TensorFlow 2.16+ 用的，和 TF 2.0 混装会出现版本冲突，import 时报错或者用 tf API 时行为异常。装完打印版本确认。

还有后端的指向问题。独立 Keras 通过 keras.json 配置文件指定后端，默认是 tensorflow。如果机器上还装过其他后端框架，后端不在 tensorflow 上，Keras 调用时会一直卡在 Loading backend。检查方法：打开用户目录下的 .keras/keras.json，看 backend 字段是不是 tensorflow。

5. 避坑排查：四个最常见的装完不工作场景

安装步骤看起来顺，真正跑起来才会暴露问题。下面四个场景是我当时完整复现过程中实际遇到的或明确能复现的，每一条按现象、原因、解决三步写。

5.1 现象：import tensorflow 后跑 tf.Session() 报 AttributeError

原 PPT 里的测试代码是这样的：

import tensorflow as tf sess = tf.Session() a = tf.constant(1) b = tf.constant(2) print(sess.run(a + b))

在 tensorflow-gpu 2.0 环境里，这一跑就会报AttributeError: module 'tensorflow' has no attribute 'Session'。

原因：tf.Session() 是 TensorFlow 1.x 的写法。TensorFlow 2.0 把 Session、placeholder 这些 1.x API 移到了 tf.compat.v1 模块，直接访问 tf.Session 在 2.0 里不存在。

解决：要么改成tf.compat.v1.Session()，要么直接用 2.0 的 eager 执行方式，tf.constant(1) + tf.constant(2)直接 print，不需要 Session。如果课程必须要求老式 Session 写法，那得用 tensorflow==1.15 配合 CUDA 10.0，别和 2.0 混着装。

5.2 现象：Could not load dynamic library 'cudnn64_7.dll'

跑 TensorFlow 时最怕的就是这行报错，后面往往还跟一句 "Cannot dlopen some GPU libraries"。

原因：cudnn64_7.dll 是 cuDNN 的运行时库，TensorFlow 加载 CUDA 时按 PATH 里的目录去找它。报这个错基本是 cuDNN 没复制到 CUDA 的 bin 目录，或者复制了但版本不对。TensorFlow 2.0 找的是 cudnn64_7.dll，如果你下载的 cuDNN 对应的是 CUDA 10.1 版本，文件名会变成 cudnn64_8.dll，找不到 7 自然报错。

解决：回到第 3.3 节的复制表格，确认 bin\cudnn64_7.dll 存在，并且 PATH 里有 %CUDA_PATH%\bin。复制完记住要新开终端再跑，因为 PATH 是终端启动时加载的，老窗口里改的配置不生效。

5.3 现象：环境变量里是 CUDA_PATH_V10_1，我装的是 10.0

原 PPT 下载安装包是 cuda_10.0.130，环境变量截图里却出现了 CUDA_PATH_V10_1，这个版本号对不上不是个例。

原因：CUDA Toolkit 的安装程序可能因为系统里残留的注册表键或旧版本信息，生成带其他后缀的变量名，V10_1 和 V10_0 并存的情况确实存在。

解决：以实际存在的变量名为准。打开系统环境变量看 CUDA_PATH 指向哪个目录，再看看有没有 V10_0 或 V10_1。TensorFlow 找的是 PATH 里的 bin 目录，不依赖 CUDA_PATH_V10_x 这个名字，所以 PATH 里的引用用 %CUDA_PATH%\bin 最稳，别写死 v10.0 路径。

5.4 现象：conda create 卡在 Solving environment 或 SSL 错误

建环境时输出停在 Solving environment 出不来，或者直接报 SSL 相关错误。

原因：conda 默认使用官方 channel，国内网络下解析元数据和下载都慢，表现为长时间不动或 SSL 握手失败。原 PPT 的建环境流程没问题，问题出在源上。

解决：常见做法是给 conda 配镜像源，在用户目录下的 .condarc 里写 channels 配置；pip 那侧用 -i 参数走镜像。配完后如果还是慢，把 conda 的 repodata 缓存清掉再试。改完源后，安装时看输出里的 channel 名确认走的是镜像。

6. 用 Keras 分类示例做终检：GPU 是否真的在跑

6.1 先确认 GPU 被 TensorFlow 认到

import tensorflow as tf # 检查 CUDA 和 cuDNN 是否可见 print(tf.test.is_gpu_available(cuda_only=True)) print(tf.test.gpu_device_name())

is_gpu_available 返回 True，并且 gpu_device_name 输出 /device:GPU:0，说明 TensorFlow 已经拿到了 GPU。这个接口只检查 CUDA 和 cuDNN 是否可见，不检查算力是否被支持。如果返回 False，优先回到第 5.2 节查 DLL。

6.2 跑一个最小的 MNIST 分类 Demo

from keras.datasets import mnist from keras.models import Sequential from keras.layers import Dense (x_train, y_train), (x_test, y_test) = mnist.load_data() # 展开成 784 维并归一化 x_train = x_train.reshape(60000, 784).astype('float32') / 255 x_test = x_test.reshape(10000, 784).astype('float32') / 255 model = Sequential() model.add(Dense(128, activation='relu', input_shape=(784,))) model.add(Dense(10, activation='softmax')) model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy']) model.fit(x_train, y_train, batch_size=128, epochs=3)

这是一个只跑到 fit 阶段的最小示例。加载 mnist、展开成 784 维、归一化、两层网络、adam 优化。fit 执行时如果 GPU 在跑，训练速度会明显比纯 CPU 快，epoch 耗时从十几秒降到两三秒。这一步是整条链路最终体检，比单独跑 tf 算加法更能暴露 Keras 后端和 TensorFlow 的衔接问题。

那次复现之后，我给自己定了个规矩：每次搭 GPU 环境，装完必须跑通这个 fit 才算完。DLL 缺失、版本错位、Session 重影，都在这一步现形。后来同事装环境，我都是直接甩这一段代码，跑通再开始调模型。希望帮到你。

本文还有配套的精品资源，点击获取