首页 > 其他分享 >anaconda安装①tensorflow-cpu 1.12.0py3.6②tensorflow-gpu 2.4.0③pytorch 2.4.1 通用 cuda 11.0,cudnn 8.0,py38

anaconda安装①tensorflow-cpu 1.12.0py3.6②tensorflow-gpu 2.4.0③pytorch 2.4.1 通用 cuda 11.0,cudnn 8.0,py38

时间:2024-06-22 22:31:42浏览次数:28  
标签:8.0 python conda CUDA env tf tensorflow 2.4

本机环境:

Win10、rtx4060ti

anaconda常用命令
conda env list # 查看已有环境名称

conda env list

conda activate env_name # 激活环境

conda activate env_name

conda deactivate env_name #退出环境

conda deactivate env_name

conda create -n env_name python=3.x# 创建python版本3.x的xxx环境

conda create -n env_name python=3.x

conda uninstall -n env_name --all # 删除名为xxx的环境

conda uninstall -n env_name --all

anaconda search -t conda torchio # 查找anaconda官网收录的torchio包
anaconda show torchio # 查看torchio包相关信息

一、tensorflow-cpu 1.12.0py3.6

1、下载安装anaconda最新版即可

下载链接:Download Anaconda Distribution | Anaconda

2、使用anaconda命令安装环境

conda create -n TF1.12 python=3.6

选y继续

查看已有环境,看是否创建成功

conda env list

可以看到已经有TF1.12环境

3、在这个环境下安装tf包

先进入这个环境activate TF1.12

activate TF1.12

只要镜像源上面有对应安装包,就可用镜像加速,此处罗列一些常用的镜像源:
阿里云:-i https://mirrors.aliyun.com/pypi/simple/
北京外国语大学: -i https://pypi.mirrors.ustc.edu.cn/simple/
豆瓣:-i https://pypi.douban.com/simple/
清华镜像源(清华大学): -i https://pypi.tuna.tsinghua.edu.cn/simple/

换成清华源

pip install tensorflow==1.12.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

测试代码

import tensorflow as tf
print(tf.__version__)

以下为多次尝试成功的,所以有部分截图缺失

注意!!!根据自己情况和需要进行下载对应的文件(一定要先确定好版本)

GPU版本需要选择能够同时兼容Tensorflow和Pytorch的CUDA和cudnn版本

本机用的验证成功的为:CUAD 11.0;  cuDNN8.0; Python 3.8; 

tensorflow_gpu-2.4.0;Pytorch v1.7.1; 

Tensorflow 版本号与 cuDNN、CUDA版本关系:
在 Windows 环境中从源代码构建  |  TensorFlow

 

Pytorch 版本号与CUDA版本关系:
Previous PyTorch Versions | PyTorch

二、tensorflow-gpu 2.4.0    cuda 11.0,cudnn 8.0,py3.8

1、创建环境,指定python版本,检查是否创建成功

conda create -n tf24 python=3.8

conda create -n tf24 python=3.8

conda env list

conda env list

应该显示你刚才创建的环境名

2、进入刚刚所创建的环境,根据对应关系安装对应的包

conda activate tf24

conda activate tf24

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.4.1

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.4.1

三、pytorch 2.4.1     cuda 11.0,cudnn 8.0,py3.8

1、创建环境,指定python版本,检查是否创建成功

 conda create -n pytorch171 python=3.8

 conda create -n pytorch171 python=3.8
conda env list

2、进入所创建的环境,根据对应关系安装对应的包

conda activate pytorch171
conda install pytorch==1.7.1 torchvision==0.8.2 torchaudio==0.7.2 cudatoolkit=11.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64

四、关于CUDA与cuDNN的安装

1、CUDA下载CUDA Toolkit 11.0 Download | NVIDIA Developer

下载好直接双击即可弹出安装窗口

2、安装建议一路默认可以省去很多麻烦,但是要记住安装路径,便于后面替换cudnn

安装注意:取消勾选cuda下拉选项中的 vs,若不勾选,有安装失败的风险,建议取消勾选

路径默认一般是 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0

3、下载cuDNNcuDNN Archive | NVIDIA Developer

4、解压下载好的cuDNN压缩包,然后替换CUDA安装目录里的文件

下载的cuDNN压缩包解压后出现如下三个文件夹找到cuda的安装路径,默认安装路径如下:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0

分别将cuDNN三个文件夹的内容分别复制到cuda对应的文件夹里面替换

以下是已经在Pycharm里加载好了所有的刚才创建的环境

测试代码(注释相应的代码即可)

#测试pytorch
import torch
print(torch.__version__)
print(torch.cuda.is_available())
print(torch.cuda.device_count())

#测试tf-gpu
import tensorflow as tf
print(tf.__version__)
print('GPU',tf.test.is_gpu_available())

#测试tf-cpu
import tensorflow as tf
print(tf.__version__)

标签:8.0,python,conda,CUDA,env,tf,tensorflow,2.4
From: https://blog.csdn.net/apple_51487335/article/details/139886093

相关文章

  • 【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
    一、介绍球类识别系统,本系统使用Python作为主要编程语言,基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集'美式足球','棒球','篮球','台球','保龄球','板球','足球','高尔夫球','曲棍球','冰球','橄榄球',&#......
  • 【球类识别系统】图像识别Python+卷积神经网络算法+人工智能+深度学习+TensorFlow
    一、介绍球类识别系统,本系统使用Python作为主要编程语言,基于TensorFlow搭建ResNet50卷积神经网络算法模型,通过收集‘美式足球’,‘棒球’,‘篮球’,‘台球’,‘保龄球’,‘板球’,‘足球’,‘高尔夫球’,‘曲棍球’,‘冰球’,‘橄榄球’,‘羽毛球’,‘乒乓球......
  • 安装mysql(版本:8.0.28)
    一、更新源和安装sudoaptupdate#更新源sudoaptinstallmysql-server#安装二、修改密码和权限sudomysql#登录mysql,使用root用户连入mysql,默认不需要密码ALTERUSER'用户名'@'localhost'IDENTIFIEDWITHmysql_native_passwordBY'明文密码';#修改密码Updateus......
  • 【猫狗识别系统】图像识别Python+TensorFlow+卷积神经网络算法+人工智能深度学习
    猫狗识别系统。通过TensorFlow搭建MobileNetV2轻量级卷积神经算法网络模型,通过对猫狗的图片数据集进行训练,得到一个进度较高的H5格式的模型文件。然后使用Django框架搭建了一个Web网页端可视化操作界面。实现用户上传一张图片识别其名称。一、前言本研究中,我们开发了一个基于深......
  • Ubuntu 24.04 编译 PHP 8.0
    PKG_CONFIG_PATH=/usr/local/openssl111w/lib/pkgconfigOPENSSL_CONF=/usr/local/openssl111w/ssl/openssl.cnf./configure--prefix=/usr/local/php80--enable-fpm--with-fpm-user=www-data--with-fpm-group=www-data--enable-phpdbg--disable-short-tags--wit......
  • 深度学习--tensorflow中操作张量的高频率api--87
    目录1.创建张量2.shape操作3.数学运算4逻辑运算5.张量之间的操作6.数据类型的转换7.聚合(规约)操作8argmax1.创建张量tf.constant(value,dtype=None,shape=None,name='Const')tf.zeros(shape,dtype=tf.float32,name=None)tf.ones(shape,dtype=tf.float32,name......
  • 【TensorFlow深度学习】开源社区支持与GitHub上贡献代码的流程
    开源社区支持与GitHub上贡献代码的流程开源社区支持与GitHub上贡献代码的流程:携手共创软件未来1.开源社区支持的意义2.如何在GitHub上找到合适的项目3.贡献代码的流程3.1.Fork与Clone3.2.创建分支3.3.修改代码3.4.提交与推送3.5.创建PullRequest......
  • 【TensorFlow深度学习】量化压缩技术在降低模型体积中的应用
    量化压缩技术在降低模型体积中的应用量化压缩技术在降低模型体积中的应用1.引言2.量化压缩基础3.实战:使用TensorFlowLite进行模型量化4.评估量化效果5.结果分析与优化建议6.结语量化压缩技术在降低模型体积中的应用在深度学习领域,模型的......
  • Web应用课 2.4 CSS——flex、响应式布局
    flex布局主轴方向flex-directionCSSflex-direction属性指定了内部元素是如何在flex容器中布局的,定义了主轴的方向(正方向或反方向)。/*文本排成行的方向*/flex-direction:row;/*类似于<row>,但方向相反*/flex-direction:row-reverse;/*文本排成列的方向*/f......
  • 数据采集与控制 > 声音与振动 > PCI8811,该板卡是一款为测试音频和振动信号而设计的高精
    每通道集成独立的IEPE激励源,可实现加速度传感器及麦克风等相关的信号调理。信息社会的发展,在很大程度上取决于信息与信号处理技术的先进性。数字信号处理技术的出现改变了信息与信号处理技术的整个面貌,而数据采集作为数字信号处理的必不可少的前期工作在整个数字系统中起到关......