如何重新安装从源码编译生成的TensorFlow .whl文件？

我来帮你梳理两种场景下的具体操作步骤，都是亲测靠谱的方案：

这种方案适合不想改动目标主机环境的情况，编译出的包能直接在CUDA 9.0的机器上运行：

• 先清理现有CUDA 9.1环境
  • 打开Windows控制面板→程序和功能，找到所有带「CUDA Toolkit 9.1」的条目，挨个卸载，包括配套的NVIDIA驱动、单独安装的cuDNN也要一起删掉
  • 手动清理残留：删掉C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.1文件夹，再去系统环境变量里移除CUDA_PATH、CUDA_PATH_V9_1这些相关条目
• 安装CUDA 9.0+适配的cuDNN
  • 下载对应Windows版本的CUDA Toolkit 9.0，安装选「自定义」模式，只勾选你需要的组件（比如CUDA Runtime、开发工具这些），路径默认就行
  • 下载TensorFlow r1.6.0适配的cuDNN版本（推荐cuDNN 7.0.5），解压后把bin、include、lib里的文件分别复制到CUDA 9.0目录下的同名文件夹里（比如C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin）
  • 配置环境变量：添加CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0，再把%CUDA_PATH%\bin、%CUDA_PATH%\libnvvp加到系统Path里
• 重新编译TensorFlow r1.6.0
  • 进入之前克隆的r1.6.0源码目录，先清掉旧编译缓存：bazel clean
  • 重新配置编译参数：运行./configure，遇到CUDA版本提示时输入9.0，cuDNN版本输入对应的7.0.5，其他参数（比如Python路径、GPU架构）按你之前的配置来就行
  • 编译生成.whl包：执行bazel build --config=opt --config=cuda //tensorflow/tools/pip_package:build_pip_package
  • 导出pip包：bazel-bin\tensorflow\tools\pip_package\build_pip_package D:\tf_output（这里D:\tf_output是你自己指定的输出文件夹）
• 部署到目标主机
  • 把生成的.whl文件复制到CUDA 9.0的目标机器上
  • 先卸载目标机上旧的TensorFlow：pip uninstall tensorflow-gpu -y
  • 安装新编译的包：pip install D:\tf_output\tensorflow_gpu-1.6.0-cpXX-cpXXm-win_amd64.whl（XX替换成你的Python版本，比如36对应Python3.6）

如果目标主机允许升级CUDA，这个方案更省时间，不用重新编译：

• 卸载目标主机的CUDA 9.0
  • 同样通过控制面板卸载所有CUDA 9.0相关组件，清理残留文件夹和环境变量
• 安装CUDA 9.1+适配的cuDNN
  • 下载对应Windows版本的CUDA Toolkit 9.1，自定义安装组件
  • 下载适配CUDA 9.1的cuDNN（推荐cuDNN 7.1.4），解压后复制文件到CUDA 9.1的对应目录
  • 配置环境变量：把CUDA_PATH设为v9.1的路径，对应的bin目录加到系统Path
• 安装现有.whl包
  • 卸载目标机上旧的TensorFlow：pip uninstall tensorflow-gpu -y
  • 安装你之前用CUDA9.1编译好的.whl文件：pip install 你的whl文件完整路径

• 不管选哪种方案，编译主机和目标主机的Python版本必须一致，不然.whl包会安装失败
• 编译时要注意GPU架构参数，比如你的新GPU如果是Pascal架构（比如1080Ti），配置时要输入6.1，如果是更新的架构，r1.6.0可能支持有限，要提前确认适配性
• 安装完成后可以跑个简单代码验证：

  import tensorflow as tf
  with tf.Session() as sess:
      print(tf.test.is_gpu_available())
  

  如果输出True，说明环境适配成功了

内容的提问来源于stack exchange，提问作者omatai