2022最新:TensorFlow各个GPU版本CUDA和cuDNN对应版本整理(最简洁)

CUDA与显卡驱动:https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

TensorFlow-GPU与CUDA cudnn Python版本关系:https://tensorflow.google.cn/install/source_windows?hl=en#gpu

以下是windows的对应关系,Linux和macOS的对应关系在上面的链接里面

GPU

VersionPython versionCompilerBuild toolscuDNNCUDA
tensorflow_gpu-2.7.03.7-3.9MSVC 2019Bazel 3.7.28.111.2
tensorflow_gpu-2.6.03.6-3.9MSVC 2019Bazel 3.7.28.111.2
tensorflow_gpu-2.5.03.6-3.9MSVC 2019Bazel 3.7.28.111.2
tensorflow_gpu-2.4.03.6-3.8MSVC 2019Bazel 3.1.08.011.0
tensorflow_gpu-2.3.03.5-3.8MSVC 2019Bazel 3.1.07.610.1
tensorflow_gpu-2.2.03.5-3.8MSVC 2019Bazel 2.0.07.610.1
tensorflow_gpu-2.1.03.5-3.7MSVC 2019Bazel 0.27.1-0.29.17.610.1
tensorflow_gpu-2.0.03.5-3.7MSVC 2017Bazel 0.26.17.410
tensorflow_gpu-1.15.03.5-3.7MSVC 2017Bazel 0.26.17.410
tensorflow_gpu-1.14.03.5-3.7MSVC 2017Bazel 0.24.1-0.25.27.410
tensorflow_gpu-1.13.03.5-3.7MSVC 2015 update 3Bazel 0.19.0-0.21.07.410
tensorflow_gpu-1.12.03.5-3.6MSVC 2015 update 3Bazel 0.15.07.29.0
tensorflow_gpu-1.11.03.5-3.6MSVC 2015 update 3Bazel 0.15.079
tensorflow_gpu-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.379
tensorflow_gpu-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.368
tensorflow_gpu-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.368
tensorflow_gpu-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.35.18
tensorflow_gpu-1.1.03.5MSVC 2015 update 3Cmake v3.6.35.18
tensorflow_gpu-1.0.03.5MSVC 2015 update 3Cmake v3.6.35.18

CPU

VersionPython versionCompilerBuild tools
tensorflow-2.7.03.7-3.9MSVC 2019Bazel 3.7.2
tensorflow-2.6.03.6-3.9MSVC 2019Bazel 3.7.2
tensorflow-2.5.03.6-3.9MSVC 2019Bazel 3.7.2
tensorflow-2.4.03.6-3.8MSVC 2019Bazel 3.1.0
tensorflow-2.3.03.5-3.8MSVC 2019Bazel 3.1.0
tensorflow-2.2.03.5-3.8MSVC 2019Bazel 2.0.0
tensorflow-2.1.03.5-3.7MSVC 2019Bazel 0.27.1-0.29.1
tensorflow-2.0.03.5-3.7MSVC 2017Bazel 0.26.1
tensorflow-1.15.03.5-3.7MSVC 2017Bazel 0.26.1
tensorflow-1.14.03.5-3.7MSVC 2017Bazel 0.24.1-0.25.2
tensorflow-1.13.03.5-3.7MSVC 2015 update 3Bazel 0.19.0-0.21.0
tensorflow-1.12.03.5-3.6MSVC 2015 update 3Bazel 0.15.0
tensorflow-1.11.03.5-3.6MSVC 2015 update 3Bazel 0.15.0
tensorflow-1.10.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.9.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.8.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.7.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.6.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.5.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.4.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.3.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.2.03.5-3.6MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.1.03.5MSVC 2015 update 3Cmake v3.6.3
tensorflow-1.0.03.5MSVC 2015 update 3Cmake v3.6.3
### 如何检查 CUDAcuDNN TensorFlow版本号 #### 检查 TensorFlow 版本 可以通过 Python 脚本来获取当前安装的 TensorFlow 版本。运行以下代码可以打印出 TensorFlow版本号: ```python import tensorflow as tf print("TensorFlow version:", tf.__version__) ``` 这一步可以帮助确认系统中安装的 TensorFlow 是否为目标版本[^1]。 --- #### 检查 GPU 可用性 通过 `tf.test.is_gpu_available()` 函数来检测 TensorFlow 是否能够识别并利用 GPU 加速功能。以下是实现方法: ```python import tensorflow as tf print("Is GPU available?", tf.test.is_gpu_available()) ``` 如果返回值为 `True`,则说明 GPU 已被成功配置并与 TensorFlow 集成;反之,则可能需要进一步排查 NVIDIA 显卡驱动或其他依赖项是否正确安装。 需要注意的是,在较新的 TensorFlow (>=2.1) 中,推荐使用如下方式替代上述函数(因为后者已被弃用): ```python gpus = tf.config.list_physical_devices('GPU') if gpus: print(f"{len(gpus)} GPUs detected.") else: print("No GPU detected.") ``` --- #### 检查 CUDA 版本 要验证系统上实际使用的 CUDA 版本,可通过执行命令行工具完成此操作。对于 Linux 用户而言,输入下面这条指令即可获得相关信息: ```bash nvcc --version ``` 或者更简洁的方式查看主要版本信息: ```bash cat /usr/local/cuda/version.txt ``` 这些命令适用于大多数标准 CUDA 安装路径下的情况。如果有自定义设置,请调整文件位置以匹配实际情况[^4]。 --- #### 检查 cuDNN 版本 CuDNN 是由 NVIDIA 提供的一个深度神经网络库,通常与 CUDA 结合工作。为了查明所部署系统的具体 cuDNN 版本,可以打开终端窗口并尝试读取位于典型目录中的头文件内容: ```bash cat /usr/include/x86_64-linux-gnu/cudnn_version.h | grep CUDNN_MAJOR -A 2 ``` 该脚本片段将会提取关于 Major, Minor Patch Level 数字的信息组合起来形成完整的 cuDNN 版本描述[^3]。 另外一种简单的方法是在 python 环境里加载 CuDNN 并查询其内部变量: ```python from tensorflow.python.framework import _pywrap_tensorflow_internal print(_pywrap_tensorflow_internal.cudnn_version_number()) ``` 这种方法直接调用了 Tensorflow 对应接口从而得出结论更为直观可靠。 --- #### 总结注意事项 当准备搭建基于特定框架的应用开发平台之前,务必仔细核对各个组件之间的兼容性需求表单。错误搭配可能导致性能下降甚至完全无法正常运作等问题发生。因此建议严格按照官方文档给出指导方针来进行选型规划以及实施过程管理控制[^2].
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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