TensorFlow2.4.1无法查询检索GPU设备device,返回可用GPU设备列表为空[]

已于 2022-09-28 14:50:53 修改
阅读量3.9k 收藏 7
点赞数 3
分类专栏： 玩转python 文章标签： tensorflow gpu 深度学习 cuda
于 2021-03-15 19:42:44 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/DanielZzzsj/article/details/114844873
版权

这里写自定义目录标题

新安装的TensorFlow2.4.1

环境配置CUDA11.1及对应的cudnn版本
安装TensorFlow2.4.1后

import tensorflow as tf
tf.config.experimental.list_physical_devices(device_type='GPU')
##返回为[]，无可用gpu设备

从Anaconda prompt进入

python ##这一步要先输入

import tensorflow as tf
tf.config
最低0.47元/天 解锁文章
语义检索系统【一】：基于无监督预训练语义索引召回：SimCSE、Diffcse
丨汀、的博客
08-02 1509
语义检索系统【一】：基于无监督预训练语义索引召回：SimCSE、Diffcse
释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇--简洁版]，支持Linux/Windows部署安装
丨汀、的博客
10-27 2746
释放搜索潜力：基于ES(ElasticSearch)打造高效的语义搜索系统，让信息尽在掌握[1.安装部署篇--简洁版]，支持Linux/Windows部署安装
tensorflow2.x版本无法调用gpu的一种解决方法
scrence的博客
05-24 9697
最近学校给了一个服务器账号用来训练神经网络使用，服务器本身配置是十路titan V，然后在上面装了tensorflow2.2，对应的python版本是3.6.2，装好之后用tf.test.is_gpu_available()查看是否能调用gpu，结果返回结果是false，具体如下： 这里tensorflow应该是检测出了gpu，但是因为某些库无法打开而导致tensorflow无法调用，返回了false，详细查看错误信息可以看到一行： 可以看到上面几个文件都顺利打开了，但是最后一个libcudnn.so.
Tensorflow调用GPU失败原因查找
Strange_程序员的的博客
12-01 2174
问题查找 打开镜像，进入python，导入tensorflow，查看提示信息 这里出现警告 cudart64_101.dll not found 解决办法 找到你安装的cuda目录，进入bin文件找到cudart64_*.dll文件，可能你的文件是cudart64_102.dll，只是你只需要把这个文件改为上面提示找不到的文件名即可。 完成 查看可用设备 from tensorflow.python.client import device_lib print(device_lib.list_local
解决Tensorflow找不到GPU的问题
最新发布
Agonie22的博客
02-21 719
也就是说我现在安装的tensflow2.17.0是不支持GPU的。
【配置】tensorflow.config.list_physical_devices(“GPU“) []是空
weixin_43877335的博客
07-22 6399
问题：tensorflow.config.list_physical_devices("GPU") []是空 解决：将cuDNN的lib64和include下的文件都copy到cuda相应的位置下 问题：torch.cuda.is_availble() False 解决：cuda11.2没有对应的pytorch，pytorch和cudatoolkit版本不对应 ...
tensorflow无法使用GPU
巨无霸汉堡加大的博客
11-17 1051
卸载tensorflow conda uninstall tensorflow 安装tensorflow-gpu conda install tensorflow-gpu 测试，结果非0即可 import tensorflow as tf print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU')))` 若不行，则重建conda环境 # 创建环境 conda create -n 新环境名称 # 进入环境 conda
ubuntu 安装TensorFlow tf.config.list_physical_devices(‘GPU‘)检测为[]
weixin_42670810的博客
06-26 4389
如果你更新了驱动，又下载了正确的cuda与cudnn版本,还是出现这个问题， 那么可能是环境变量的问题。因为~/.bashrc是每个账户独立的。你在root权限下修改的bashrc其实没有影响你当前账户下的bashrc。 所以你需要在你当前执行TensorFlow的账号下编辑bashrc,或者在/etc/profile里添加环境变量。 例如： export PATH=/usr/local/cuda-11.2/bin${PATH:+:${PATH}} export LD_LIBRARY_PATH=/usr/l
已解决Use tf.config.list_physical_devices(‘GPU’)~ instead.
努力让自己发光，对的人才能迎着光而来
04-10 1万+
已解决WARNING:tensorflow:From 1: is_gpu_available (from tensorflow.python.framework.test_util) is deprecated and will be removed in a future version. Instructions for updating: Use tf.config.list_physical_devices(‘GPU’)~ instead. 2023-03-31 16:58:07.97
【GEC6818性能优化指南】：打造快速响应设备的终极秘诀
[【GEC6818性能优化指南】：打造快速响应设备的终极秘诀](https://elprofealegria.com/wp-content/uploads/2021/01/hdd-ssd.jpg) # 摘要 GEC6818处理器作为嵌入式系统的核心，其性能优化对于整个系统至关重要。本文...
知识产权和 LLM：保护创新和创意
AI天才研究院
10-29 1111
《知识产权和 LLM：保护创新和创意》 关键词：知识产权、语言模型（LLM）、著作权、专利权、商标权、侵权检测、合规管理、创新保护。 摘要：随着人工智能技术的快速发展，大规模语言模型（LLM
tensorflow-gpu
09-25
tensorflow-gpu 在Windows 10上使用TensorFlow（GPU）训练多个对象的对象检测分类器
WIN10 环境下 Tensorflow 检测不到GPU （GTX1050笔记本版可以安装CUDA）
核聚变Q的博客
08-13 8960
#原因 ##的 ###情况
tensorflow 查看是否可用GPU
爱吃火锅的博客
11-18 2543
import tensorflow as tf gpu_device_name = tf.test.gpu_device_name() print(gpu_device_name) print(tf.test.is_gpu_available()) from tensorflow.python.client import device_lib # 列出所有的本地机器设备 local_device_protos = device_lib.list_local_devices() # 打印 # .
tensorflow-gpu2.x无法检测到GPU设备
热门推荐
qq_43203949的博客
09-12 1万+
tensorflow-gpu2.x无法检测到GPU设备 1.检查 在解决问题前检查一下tensorflow是否只能检查到CPU，而无法检查到GPU，而非无法调用GPU。 import tensorflow as tf print(tf.test.is_gpu_available()) gpus = tf.config.experimental.list_physical_devices(device_type='GPU') cpus = tf.config.experimental.list_physica
tensorflow识别不了gpu rtx3080解决方式
weixin_42626375的博客
07-11 5839
tensorflow识别不了gpu rtx3080解决方式
PyTorch-GPU & TensorFlow-GPU（及yolo）*精简* 安装全流程
qq_51936137的博客
07-12 539
1. 安装自己型号的最新显卡驱动（NVIDIA 驱动程序下载） 2.下载并安装cudart64_110.dll文件（最新支持的 Visual C++ 下载 (microsoft.com)） 如有需要，也可以在https://www.dll-files.com下载其他dll文件 3.先后安装cuda、cudnn、TensorFlow-GPU（在anaconda prompt或cmd等命令行窗口） pip install -i https://pypi.tuna.tsinghua..
安装tensorflow-gpu中遇到的部分问题
shei2741的博客
10-30 215
安装tensorflow-gpu中遇到的部分问题 本人将对自己遇到的问题进行总结 首先说一下个人配置，我用的是笔记本，cpu是i5-10300H，gpu是rtx2060。 我开始安装的tensorflow版本以及配套软件，cuda11.0.2，cudnn8.0.5，tensorflow-gpu2.4.0，python3.8.12。 安装完之后在pycharm中运行程序 我的测试代码是 import tensorflow as tf print(tf.version) print(1, tf.config.l
tensorflow2.4.1
02-03
### TensorFlow 2.4.1 安装指南 对于希望在Linux服务器上配置深度学习环境并安装TensorFlow GPU版2.4.1的用户来说，推荐采用Anaconda创建独立Python环境来管理依赖关系。具体而言，在准备阶段需确认已正确设置CUDA 11.2以及cuDNN 8.0版本[^1]。 #### 创建新的Conda环境 建议通过Anaconda新建一个专门用于此项目的虚拟环境，这有助于隔离不同项目间的库冲突问题。可以按照如下命令执行： ```bash conda create -n tf2 python=3.8 conda activate tf2 ``` 接着，利用pip工具完成TensorFlow及其相关组件的具体安装工作： ```bash pip install tensorflow==2.4.1 keras==2.4.3 ``` 上述过程能够确保所选框架版本与指定GPU驱动相匹配，从而减少潜在兼容性风险[^3]。 ### 使用教程概览 当成功部署好TensorFlow之后，开发者可以通过官方提供的API文档深入了解如何构建模型、训练数据集等内容。值得注意的是，随着新功能不断加入到各个次级发行版中，部分接口可能会有所变化；因此查阅对应版本的手册十分必要。 - **Keras集成**：自TensorFlow 2.x系列起，默认包含了高级抽象层——Keras API的支持，使得编写神经网络变得更加直观便捷。 - **Eager Execution模式**：默认开启即时求值机制，允许更灵活地调试程序逻辑而不必经历图编译的过程。 ### 更新内容要点 相较于之前发布的稳定版本（如TensorFlow 2.3），本次升级主要集中在性能优化方面，并修复了一些已知漏洞。特别是针对NVIDIA Ampere架构显卡提供了更好的支持，进一步提升了计算效率。此外还增加了对更多第三方插件的支持程度，拓宽了应用场景范围[^2]。
评论 4
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值