Die neueste Version von TensorFlow unterstützt die NVIDIA CUDA/CuDNN-Beschleunigung nicht nativ auf Windows 10/11-Betriebssystemen. Wenn Sie also die neueste Version der TensorFlow-Entwicklungsumgebung mit NVIDIA CUDA/cuDNN-Beschleunigung unter Windows 10/11 einrichten möchten, müssen Sie dies über das Windows-Subsystem für Linux (WSL) tun.
In diesem Artikel zeigen wir Ihnen, wie Sie WSL unter Windows 10/11 installieren und darauf zugreifen. Wir zeigen Ihnen auch, wie Sie die neueste Version von TensorFlow mit NVIDIA CUDA/cuDNN-Beschleunigungsunterstützung auf dem Ubuntu WSL-System unter Windows 10/11 installieren.
Inhaltsthema:
- Installieren von NVIDIA GPU-Treibern unter Windows 10/111
- Installation von NVIDIA CUDA und cuDNN unter Windows 10/11
- WSL unter Windows 10/11 installieren
- Zugriff auf das WSL-Ubuntu-Linux-Terminal unter Windows 10/11
- Überprüfen, ob das Ubuntu WSL-System auf die NVIDIA-GPU von Windows 10/11 zugreifen kann
- Installieren von Python 3 PIP auf dem Ubuntu WSL-System
- Upgrade von Python 3 PIP auf dem Ubuntu WSL-System
- Installieren von TensorFlow mit NVIDIA CUDA/cuDNN-Beschleunigungsunterstützung auf dem Ubuntu WSL-System
- Überprüfen, ob die TensorFlow CUDA-Beschleunigung auf dem Ubuntu WSL-System funktioniert
- Zugriff auf das Ubuntu WSL-System mit Visual Studio-Code für die TensorFlow-Entwicklung
- Abschluss
Installieren von NVIDIA GPU-Treibern unter Windows 10/11
Damit TensorFlow auf die NVIDIA-GPU für die CUDA/cuDNN-Beschleunigung auf dem Ubuntu WSL-System unter Windows 10/11 zugreifen kann, müssen Sie eine NVIDIA-GPU auf Ihrem Computer installiert haben und den NVIDIA-GPU-Treiber unter Windows 10/11 installieren. Wenn auf Ihrem Computer eine NVIDIA-GPU installiert ist und Sie Hilfe bei der Installation des NVIDIA-GPU-Treibers unter Windows 10/11 benötigen, Lesen Sie diesen Artikel .
Installation von NVIDIA CUDA und cuDNN unter Windows 10/11
Sobald Sie die NVIDIA-GPU-Treiber auf Ihrem Windows 10/11-System installiert haben, müssen Sie NVIDIA CUDA und NVIDIA cuDNN installieren, damit die TensorFlow CUDA/cuDNN-Beschleunigung auf dem Ubuntu WSL-System funktioniert.
Wenn Sie Hilfe bei der Installation von NVIDIA CUDA auf Ihrem Windows 10/11-Betriebssystem benötigen, Lesen Sie diesen Artikel .
Wenn Sie Hilfe bei der Installation von NVIDIA cuDNN auf Ihrem Windows 10/11-Betriebssystem benötigen, lesen Sie diesen Artikel.
WSL unter Windows 10/11 installieren
Um WSL unter Windows 10/11 zu installieren, Öffnen Sie die Terminal-App und führen Sie den folgenden Befehl aus:
$ wsl –install
Klicken Sie auf „Ja“.
WSL wird installiert. Es dauert eine Weile, bis es fertig ist.
Wenn Sie die folgende Eingabeaufforderung sehen, klicken Sie auf „Ja“.
Die Installation sollte fortgesetzt werden.
Das Betriebssystem Ubuntu Linux wird installiert. Es dauert eine Weile, bis es fertig ist.
NOTIZ: Ubuntu ist das Standardbetriebssystem von Windows WSL.
Zu diesem Zeitpunkt sollte das Ubuntu Linux WSL-System auf Ihrem Windows 10/11-Computer installiert sein.
Damit die Änderungen wirksam werden, starten Sie Ihren Computer neu.
Sobald Ihr Computer hochfährt, sollte ein Terminalfenster angezeigt werden, in dem Sie aufgefordert werden, Ihren ersten Ubuntu-Benutzer einzurichten.
Geben Sie einen Namen für den Ubuntu WSL-Systembenutzer ein und drücken Sie < Eingeben >.
Geben Sie ein Anmeldekennwort für den neuen Benutzer ein und drücken Sie < Eingeben >.
Geben Sie das Anmeldekennwort erneut ein und drücken Sie < Eingeben >.
Für das Ubuntu WSL-System sollte ein neues Benutzerkonto erstellt werden und Ubuntu sollte einsatzbereit sein.
Zugriff auf das WSL-Ubuntu-Linux-Terminal unter Windows 10/11
Um auf das Terminal des Ubuntu Linux WSL-Systems zuzugreifen, Öffnen Sie eine Terminal-App unter Windows 10/11 und klicken Sie auf > Ubuntu .
Das Terminal des Ubuntu Linux WSL-Systems sollte geöffnet werden.
Überprüfen, ob das Ubuntu WSL-System auf die NVIDIA-GPU von Windows 10/11 zugreifen kann
Um zu überprüfen, ob das Ubuntu WSL-System auf die NVIDIA-GPU Ihres Windows 10/11-Computers zugreifen kann, führen Sie den folgenden Befehl vom Terminal des Ubuntu WSL-Systems aus:
$nvidia-smi
Wenn das Ubuntu WSL-System auf die NVIDIA-GPU Ihres Windows 10/11-Computers zugreifen kann, werden Ihnen die Nutzungsinformationen Ihrer NVIDIA-GPU angezeigt, wie im folgenden Screenshot dargestellt:
Installieren von Python 3 PIP auf dem Ubuntu WSL-System
Um TensorFlow auf dem Ubuntu WSL-System zu installieren, muss Python 3 PIP auf dem Ubuntu WSL-System installiert sein. Sie können Python 3 PIP über das offizielle Paket-Repository von Ubuntu auf dem Ubuntu WSL-System installieren.
Aktualisieren Sie zunächst den APT-Paketdatenbank-Cache mit dem folgenden Befehl:
$ sudo apt-Update
Führen Sie den folgenden Befehl aus, um Python 3 PIP auf dem Ubuntu WSL-System zu installieren:
$ sudo apt install python3-pip
Um die Installation zu bestätigen, drücken Sie „Y“ und dann < Eingeben >.
Python 3 PIP wird auf dem Ubuntu WSL-System installiert. Es dauert eine Weile, bis es fertig ist.
Zu diesem Zeitpunkt sollte Python 3 PIP auf dem Ubuntu WSL-System installiert sein.
Um zu überprüfen, ob Python 3 PIP auf dem Ubuntu WSL-System zugänglich ist, führen Sie den folgenden Befehl aus:
$ pip –Version
Wie Sie sehen können, haben wir Python 3 PIP 22.0.2 auf unserem Ubuntu WSL-System installiert.
Upgrade von Python 3 PIP auf dem Ubuntu WSL-System
Um die neueste Version von TensorFlow zu installieren, muss die neueste Version von Python 3 PIP auf Ihrem Ubuntu WSL-System installiert sein.
Um die neueste Version von TensorFlow zu installieren, muss die neueste Version von Python 3 PIP auf Ihrem Ubuntu WSL-System installiert sein.
$ pip install –upgrade pip
Python PIP sollte auf die neueste Version aktualisiert werden (Version 23.2.1 zum Zeitpunkt des Verfassens dieses Artikels).
$ pip –Version
Installieren von TensorFlow mit NVIDIA CUDA/cuDNN-Beschleunigungsunterstützung auf dem Ubuntu WSL-System
Führen Sie den folgenden Befehl aus, um TensorFlow mit NVIDIA CUDA/cuDNN-Beschleunigungsunterstützung auf dem Ubuntu WSL-System Ihres Windows 10/11 zu installieren:
$ pip install tensorflow[and-cuda]
TensorFlow mit NVIDIA CUDA/cuDNN-Unterstützung und den erforderlichen Abhängigkeiten werden heruntergeladen und installiert. Es dauert eine Weile, bis es fertig ist.
Zu diesem Zeitpunkt sollte TensorFlow mit NVIDIA CUDA/cuDNN-Unterstützung auf dem Ubuntu WSL-System installiert sein.
Überprüfen, ob die TensorFlow CUDA-Beschleunigung auf dem Ubuntu WSL-System funktioniert
Um zu überprüfen, ob die TensorFlow CUDA-Beschleunigung auf dem Ubuntu WSL-System funktioniert, öffnen Sie die interaktive Shell/den Interpreter Python 3 mit dem folgenden Befehl:
$ python3
Führen Sie zum Importieren von TensorFlow die folgende Codezeile aus:
$ Tensorflow als TF importieren
Um zu überprüfen, ob TensorFlow korrekt importiert wurde, geben Sie die Versionsnummer von TensorFlow mit der folgenden Codezeile aus:
$ tf.__version__
Wie Sie sehen können, haben wir TensorFlow 2.14.0 auf unserem Ubuntu WSL-System installiert.
Um zu überprüfen, ob Ihre NVIDIA-GPU für die TensorFlow-CUDA-Beschleunigung verfügbar ist, führen Sie die folgende Codezeile aus:
$ tf.config.list_physical_devices(‘GPU’)
Wie Sie sehen, ist für TensorFlow ein GPU-Gerät verfügbar. TensorFlow kann also die NVIDIA-GPU Ihres Computers für die CUDA-Beschleunigung nutzen.
Um die interaktive Shell/den Interpreter von Python 3 zu verlassen, führen Sie die folgende Codezeile aus:
$ quit()
Zugriff auf das Ubuntu WSL-System mit Visual Studio Code für die TensorFlow-Entwicklung
Visual Studio Code ist ein großartiger Code-Editor für die TensorFlow-Entwicklung. Wenn Sie mit Visual Studio Code für die TensorFlow-Entwicklung auf das Ubuntu WSL-System zugreifen möchten und dabei Hilfe benötigen, lesen Sie diesen Artikel.
Abschluss
In diesem Artikel haben wir Ihnen gezeigt, wie Sie Ubuntu Linux über WSL unter Windows 10/11 installieren. Wir haben Ihnen auch gezeigt, wie Sie unter Windows 10/11 auf das Terminal des Ubuntu WSL-Systems zugreifen und wie Sie die neueste Version von TensorFlow mit der NVIDIA CUDA/cuDNN-Beschleunigungsunterstützung auch auf dem Ubuntu WSL-System installieren.