在腾讯云服务器上安装tensorflow-1.15-gpu(NVIDIA TESLA T4 + WINDOWS)

已于 2023-01-07 16:16:29 修改
阅读量3.2k 收藏 12
点赞数
分类专栏： 深度学习 文章标签： tensorflow python 深度学习
于 2023-01-07 03:28:00 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/Silver_777/article/details/128587231
版权
本文详细介绍了在腾讯云GPU服务器上安装Tensorflow1.15的过程，包括选择合适的系统版本（WindowsServer2016）、安装TeslaT4显卡驱动、CUDA10.0和cuDNN，以及解决Anaconda创建环境时的HTTPError问题。安装完成后，通过nvidia-smi命令检查GPU资源使用情况。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

关于腾讯云服务器的使用，就不过多赘述，这里有一个新手向的介绍视频，因为是拿来做深度学习，所以我买的是GPU服务器，显卡是Tesla T4，这一款需要自己装显卡驱动。

腾讯云轻量应用服务器远程桌面登录挂机教程-新手教程_哔哩哔哩_bilibili

注意，在购买的时候会让你选择系统版本，可以选windows/linux之类的，这里你需要看一下你要安装的tensorflow版本。像我一开始没想太多选择的是Windows server 2019，结果装驱动的时候发现匹配的显卡驱动最低版本只支持CUDA10.1，但是我要装的tensorflow 1.15 是和10.0匹配的，后面也出现了一系列的报错，最后把系统换成支持CUDA10.0的2016才成功。

我的版本配置：显卡Tesla T4+windows server 2016+CUDA10.0+cuDNN7.4.2+tensorflow1.15-gpu+Anaconda3-2021.11

不过云服务器换系统很方便，在控制端点几下，几分钟就好，更换系统可以参照

腾讯云服务器如何更换系统？ - 腾讯云开发者社区-腾讯云 (tencent.com)

安装步骤以官方教程为主，需要参照哪些都会列出来。

装显卡驱动

连上服务器后，第一件事是把IE浏览器换成EDGE，然后就和自己电脑一样，先从装显卡驱动开始。

这部分也不需要多说，官方教程写得非常明白。唯一需要注意的是要定好后续用的CUDA版本，以选择匹配的显卡型号。

GPU 云服务器 安装 NVIDIA Tesla 驱动-操作指南-文档中心-腾讯云 (tencent.com)

安装好后在设备管理器可以看到多了你的显卡，但是在任务管理器看不到，我也不知道为啥。

安装CUDA

GPU 云服务器 安装 CUDA 驱动-操作指南-文档中心-腾讯云 (tencent.com)

CUDA也是跟官方走，选好版本

装好CUDA和Anaconda后，看一下环境变量的Path有没有缺漏，这点十分重要，关系到tf-gpu能够顺利运行。

GPU 云服务器 使用 Windows GPU 云服务器搭建深度学习环境-最佳实践-文档中心-腾讯云 (tencent.com)

官方有一个搭建深度学习环境的教程，强烈建议看一下，里面详细的教你怎么选CUDA这些东西的版本已经环境变量。

框里圈起来的5个加上Anaconda/Scrips，一共6个一个都不能少，确保都在path里。

安装cuDNN

cuDNN版本照常安装，有一个问题是选系统版本那里只有windows7/10没有server，我选的win10，最后也成功运行了，可以参考。

创建环境

在命令栏输入以下代码

conda create -n tensorflow1.15-gpu python=3.7#tensorflow1.15-gpu是环境名称

这里不出意外的话会遇到HTTPError的问题，网上的意见都是换各种国内源，试了很多都行不通

之前我的.condarc文件（在C盘用户目录下，没有就conda config一下），内容都是

default_channels:
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/r
  - https://anaconda.mirrors.sjtug.sjtu.edu.cn/pkgs/main
custom_channels:
  conda-forge: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/
  pytorch: https://anaconda.mirrors.sjtug.sjtu.edu.cn/cloud/
channels:
  - defaults

我按照这个换了行不通（这个内容在其他电脑上安装是好使的，不知道为什么在服务器上疯狂报错）

后来翻到了这个教程，只有它有用

Anaconda建立新的环境，出现CondaHTTPError: HTTP 000 CONNECTION FAILED for url ...... 解决过程 - tianlang25 - 博客园 (cnblogs.com)

即把.condarc文件的内容换成

ssl_verify: true
show_channel_urls: true

channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/

激活环境

创建好环境后，我们可以进行后续的安装操作了

在anaconda promp中激活环境

conda activate tensorflow1.15-gpu#从base切换到你创建的环境中

安装tensorflow

pip install tensorflow_gpu==1.15

版本验证

等代码跑完就安装好了，验证是否成功安装tensorflow-gpu版本可以在虚拟环境中输入

python
import tensorflow as tf
tf.test.is_gpu_available()  # 返回True则安装成功

以上就是在云服务器安装tensorflow1.15的全部过程。

只要版本是对的，就算还有一些小bug，百度报错信息基本都能解决，我的这篇教程也写了一些常见报错的解决方法。

windows10安装tensorflow-gpu_Silver_777的博客-CSDN博客_tensorflowgpu安装win10

关于Windows server 2016的一些问题

这个系统版本有些特殊，如果你是做3D渲染，除了安装NVIDIA Tesla 驱动和CUDA 驱动驱动以外，还需要安装NVIDIA GRID 驱动

GPU 云服务器 安装 NVIDIA GRID 驱动-操作指南-文档中心-腾讯云 (tencent.com)

而且还有一些特殊的地方，像我只是深度学习，所以没有装NVIDIA GRID 驱动，虽然GPU也可以正常用，但是在任务管理器是看不到GPU资源使用情况的

客服给的解释是：

“关于您反馈的问题2018年国庆后的Win10、Server2019、Server2022、Win11这些新系统才会在任务管理器的性能页签里显示GPU模块，Server2016等低版本系统是不会显示的，在此基础上，还需要安装Grid驱动才行，而Grid License本来就是需要跟NVIDIA申请的，由于您当前服务器是2016的操作系统，当前是需要您进行安装的”

“当前GPU NVIDIA驱动分两种，计算和渲染，如果是3D渲染业务，需要安装Grid驱动，您可根据您当前的业务来进行确认”

也就是可能需要装NVIDIA GRID 驱动，才能在任务管理器看到GPU，不过这也问题不大，程序跑起来之后，本地端控制台的监控可以看GPU调用，但是可能会有些延迟。

也可以在命令栏里输入nvidia-smi看资源调用

cd C:\Program Files\NVIDIA Corporation\NVSMI
nvidia-smi

就可以看到当前的GPU使用率

安装Tensorflow==1.15版本（CPU）
qq_42962847的博客
01-04 4901
注意：安装tensorflow的某一版本要与python的版本相匹配，Python的版本太高，那么安装不了TensorFlow的低版本；1.创建虚拟环境：conda create -n tf15 python tensorflow=1.15。5.删除虚拟环境，以tf15为例：conda remove --name tf15 --all。2.进入虚拟环境：conda activate ft15。3.查看有哪些虚拟环境：conda env list。在tf这个环境下安装代码需要使用的包。
linux 安装 TensorFlow-GPU(1.X.X) CUDA CUDNN各种坑指南
weixin_48185819的博客
01-21 1816
安装环境 centos7 虚拟机 (Ubuntu安装原理相同，命令不同) TensorFlowGPU版本 1.14.0、1.15.0 测试了两个版本 显卡 Tesla T4 上来就入坑 装了好几次TensorFlow，在 import tensorflow as tf ，一直出现‘非法指令’，最终发现是CPU内核指令级的问题，花费了很多时间排查这个问题... 第一坑 cat /proc/cpuinfo 先查看一下CPU的flags processor : 0 vendo
Tensorflow-gpu 1.15安装（csdn）————程序.pdf
12-04
Tensorflow-gpu 1.15安装（csdn）————程序
win10安装tensorflow-gpu-1.15
u013250861的博客
01-24 5645
因课程要求，需要安装tensorflow1.15。我是使用conda来管理不同环境的。
RTX30系显卡运行Tensorflow 1.15 GPU版本
最新发布
FL1623863129的博客
04-10 246
30系显卡只支持cuda11.0及以上版本，但很多tensorflow项目用的仍然是1.1x版本，这些版本需要cuda10或者以下版本，这就导致在30系显卡上无法正常运1.1x版本的tensorflow，最近几天我也因为这个问题头疼不已，网上一番搜索之后发现了一个大神编译过后可用的版。给RTX30系列显卡使用的tensorflow1.15的whl文件和cpp api，根据nvidia版的tf1.15改造编译，因为是魔改版，建议小心使用。2、安装好cuda11.2和cudnn。
tensorflow 1.15 gpu docker环境搭建；Nvidia Docker容器基于TensorFlow1.15测试GPU；——全流程应用指南
点赞的都能无bug通过！
11-14 2460
TensorFlow 在新款 NVIDIA Pascal GPU 上的运行速度可提升高达 50%，并且能够顺利跨 GPU 进行扩展。如今，训练模型的时间可以从几天缩短到几小时TensorFlow 使用优化的 C++ 和 NVIDIA® CUDA® 工具包编写，使模型能够在训练和推理时在 GPU 上运行，从而大幅提速TensorFlow GPU 支持需要多个驱动和库。为简化安装并避免库冲突，建议利用 GPU 支持的 TensorFlow Docker 镜像。
Tensorflow-gpu 1.15安装
weixin_42393848的博客
11-22 2996
文章目录CUDA和cuDNN安装Tensorflow 与cuda的对应关系cuda与显卡驱动对应关系CUDA下载网址cuDNN下载网址cuDNN操作tensorflow安装测试 CUDA和cuDNN安装 装Tensorflow之前要确保本电脑有CUDA和cuDNN，没有的话用如下方法安装，用官网网址下载较慢，推荐使用Free Download Manager下载器下载 Tensorflow 与cuda的对应关系 cuda与显卡驱动对应关系 https://docs.nvidia.com/cuda/cuda
私有云服务多版本tensorflow-gpu，pytorch-gpu，cuda共存完美避坑指南
u013363120的博客
08-22 564
私有云服务多版本tensorflow-gpu，pytorch-gpu，cuda共存完美避坑指南 背景： 大数据集训练采用cpu实在是太太太慢了，本人亲测，在cpu上基于tensorflow1.15采用BERT训练10万文本相似度。steps=7500花了三个晚上。有gpu放着不用多少有点，嗯，nc！ 云服务器信息 查看服务器内核版本 查看gpu型号 以下操作均基于centos 7，阿里私有云服务器，nvidia tesla T4，截图内版本为已经调试跑通的版本。 安装步骤 1、安..
A100 GPU 上的加速 TensorFlow
大模型
09-21 904
基于的提供了一系列令人兴奋的新功能：第三代张量核心、多实例 GPU （）和第三代 NVLink。安培张量核心引入了一种新的用于人工智能训练的数学模式：张量浮点 -32 （ TF32 ）。TF32 旨在加速 FP32 数据类型的处理， FP32 数据类型通常用于 DL 工作负载。在 NVIDIA A100 张量核心上，以 TF32 格式运行的数学运算的吞吐量比上一代 Volta V100 GPU 上运行的 FP32 高出 10 倍，从而使 DL 工作负载的性能提高了 5 . 7 倍。
腾讯云服务器怎么安装cuda
01-08
### 如何在腾讯云服务器上安装配置 CUDA #### 准备工作 确保已经选择了带有 NVIDIA 显卡的实例规格，如 Tesla T4 或其他支持 GPU 的型号。对于 Windows 系统，在完成初始化设置并成功登录后，可以开始准备安装 CUDA...
大模型训练要啥样配置，哪种硬件比较适合？
热门推荐
kcarly的专栏
10-28 2万+
大模型训练的配置选择需要考虑计算资源、存储资源和分布式训练等因素。 为了处理大规模的数据和复杂的模型结构，需要选择具有高性能的多核心CPU和高性能GPU的计算机。同时，需要足够的存储资源来存储大规模的数据集和模型参数，建议选择大容量、高速的存储设备。
tensorflow_gpu-1.5
01-15
最新版TensorFlow gpu版，需要下载CUDA9.0，以及cuDNN相应版本。
Ubuntu安装TensorFlow 1.15
Javy Wang
09-27 5886
安装TensorFlow 进入虚拟环境，查看python版本 安装TensorFlow1.15，使用阿里云，清华镜像总是timeout失败了N遍 安装完后检查一下是否能用 cuda和gpu都可以用 参考文献 Ubuntu安装 TensorFlowGPU 1.15
tensorflow-1.15版本安装
weixin_42929891的博客
08-08 2340
python3.6 pip3.6 tensorflow1.150
Win10 RTX30系列 安装tensorflow1.15
小花生的博客
07-24 5209
Win10 RTX30系列 安装tensorflow1.15 1.遇到的问题： 直接PiP安装，能够安装完成。 pip install tensorflow-gpu==1.15 并且测试TF的版本和显卡是否正确，也都正常。 import tensorflow as tf print(tf.__version__) print(tf.test.is_gpu_available()) 但是：   训练会卡住，也不报错，就卡着。 遂安装失败。 2.最近发现了一个知乎大神的版本 废话不多说，上链接： http
【Tensorflow】Tensorflow1.15安装（Ubuntu20.04+Anaconda3）
m0_60765523的博客
02-27 8841
tensorflow1.15安装，操作系统为Ubuntu20.04
cuda11安装tensorflow-gpu1.15
qq_43552048的博客
04-16 2907
会出现胡乱安装依赖导致安装不成功的问题。
tensorflow1.15安装sonnet
qq_54057928的博客
08-12 250
win+r 输入命令pip install graph_nets "dm-sonnet
tensorflow_gpu1.15+Python 3.6+Keras 2.3.1安装
qq_18402417的博客
07-06 466
解决方案：到anaconda的安装目录位置：比如 D:\ProgramData\Anaconda3\Library\bin，找到如下两个DLL的文件：libcrypto-1_1-x64.dll；遇到报错：CondaSSLError: OpenSSL appears to be unavailable on this machine. OpenSSL is required to。解决方案：python -m pip install --upgrade pip。
阿里云服务器搭建TensorFlow 1.x版本
04-03
<think>好的，我现在需要帮助用户在阿里云ECS服务器上安装和配置TensorFlow 1.x版本。首先，我应该回忆一下相关的步骤和可能遇到的问题。根据用户提供的引用内容，特别是引用[1]和引用[4]，用户之前有在CentOS系统上搭建环境的经验，可能遇到了一些问题，现在需要针对TensorFlow 1.x进行配置。 首先，用户的操作系统是CentOS 7.6，所以需要确认TensorFlow 1.x是否支持该版本。TensorFlow 1.x比较旧，可能对Python版本有要求，比如Python 3.5或3.6。我需要先指导用户安装合适的Python版本。 接下来，安装Python虚拟环境是必要的，这样可以隔离不同项目的依赖。使用virtualenv或者venv都可以，但根据引用[1]中的步骤，用户可能已经熟悉了virtualenv，所以推荐使用。 然后，安装TensorFlow 1.x。用户需要指定版本号，比如1.15.0，这是TensorFlow 1.x的最后一个版本，支持CPU和GPU。不过如果服务器没有GPU，可能需要安装纯CPU版本。根据引用[4]中的pip安装命令，用户需要使用正确的包URL。这里需要注意，可能需要从TensorFlow官方或者阿里云镜像获取安装包，特别是如果默认源速度慢的话，可以换成阿里云的镜像源。 安装完成后，验证是否成功，可以通过Python解释器导入TensorFlow并检查版本。这部分需要用户执行简单的命令，应该不会有问题，但如果出现错误，可能需要检查依赖库，比如gcc版本或者其他系统库是否满足要求。 另外，用户可能想使用Jupyter Notebook，如引用[1]中提到的。需要安装Jupyter并配置，可能涉及到端口开放和防火墙设置，确保可以通过浏览器访问。这里需要提醒用户配置安全组规则，允许对应的端口（如8888）的入站流量。 还要考虑环境持久化的问题，比如使用Docker容器来部署，如引用[3]提到的TensorFlow Serving。不过用户可能只需要运行环境，而不是服务部署，所以Docker是可选项，不是必须的步骤。 可能遇到的问题包括Python版本不兼容、pip安装失败、缺少系统依赖库等。需要给出解决方案，比如使用软件集合库（SCL）安装更高版本的Python，或者安装必要的开发工具如gcc、make等。 最后，生成相关问题时，需要考虑用户后续可能的需求，比如性能优化、环境迁移、多版本共存等。这些问题应该基于安装配置过程中的潜在扩展点来设计。 总结步骤应该是：系统更新→安装Python 3.6→创建虚拟环境→安装TensorFlow 1.x→验证安装→安装Jupyter→配置安全组→运行测试。同时，提醒用户注意版本兼容性和依赖问题，以及如何利用阿里云的资源来加速安装过程。</think>### 在阿里云ECS服务器上搭建TensorFlow 1.x环境的步骤 #### 1. **系统初始化与依赖安装** - **更新系统** 确保系统软件包为最新版本： ```bash sudo yum update -y ``` - **安装开发工具链** 安装编译Python和TensorFlow所需的工具： ```bash sudo yum install -y gcc-c++ make zlib-devel openssl-devel epel-release ``` #### 2. **安装Python 3.6** TensorFlow 1.x支持Python 3.5-3.7，推荐使用Python 3.6： ```bash sudo yum install -y https://repo.ius.io/ius-release-el7.rpm sudo yum install -y python36u python36u-devel python36u-pip ``` #### 3. **创建虚拟环境** - 安装虚拟环境工具： ```bash sudo pip3.6 install virtualenv ``` - 创建并激活虚拟环境： ```bash virtualenv -p /usr/bin/python3.6 ~/tensorflow1-env source ~/tensorflow1-env/bin/activate ``` #### 4. **安装TensorFlow 1.x** - 使用阿里云镜像加速安装（替换默认PyPI源）： ```bash pip install --upgrade pip pip install tensorflow==1.15.0 -i https://mirrors.aliyun.com/pypi/simple/ ``` 若需GPU支持，安装`tensorflow-gpu==1.15.0`（需提前配置CUDA和cuDNN）[^3]。 #### 5. **验证安装** ```bash python -c "import tensorflow as tf; print(tf.__version__)" ``` 输出应为`1.15.0`。若报错`GLIBCXX`版本问题，需更新libstdc++库： ```bash sudo yum install -y libstdc++-static ``` #### 6. **安装Jupyter Notebook（可选）** - 在虚拟环境中安装： ```bash pip install jupyter ``` - 配置Jupyter远程访问： ```bash jupyter notebook --generate-config echo "c.NotebookApp.ip = '0.0.0.0'" >> ~/.jupyter/jupyter_notebook_config.py echo "c.NotebookApp.port = 8888" >> ~/.jupyter/jupyter_notebook_config.py ``` - 启动Jupyter： ```bash jupyter notebook --no-browser ``` - **安全组配置**：在阿里云控制台开放ECS实例的`8888`端口[^2]。 #### 7. **持久化环境（可选）** 若需长期使用，可通过Docker容器化部署： ```bash docker pull tensorflow/tensorflow:1.15.0 docker run -it -p 8888:8888 tensorflow/tensorflow:1.15.0 ``` ### 常见问题解决 - **GLIBC版本过低**：升级至CentOS 7.9或通过`devtoolset`升级GCC。 - **依赖冲突**：使用虚拟环境隔离依赖。 - **网络超时**：切换阿里云镜像源`-i https://mirrors.aliyun.com/pypi/simple/`[^4]。
评论 2
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