深度学习-搭建TensorFlow深度学习开发环境

最新推荐文章于 2024-10-21 00:05:03 发布

城东小路

最新推荐文章于 2024-10-21 00:05:03 发布

阅读量1.7k

点赞数 1

分类专栏：深度学习文章标签： tensorflow 深度学习人工智能

本文链接：https://blog.csdn.net/chengdong996/article/details/108627921

版权

本文详细介绍了如何搭建TensorFlow深度学习开发环境，包括硬件需求、NVIDIA显卡驱动安装、Anaconda的使用和虚拟环境配置，以及解决模块下载问题的方法。重点讲述了通过Anaconda创建和管理Python环境，以及在环境中安装TensorFlow GPU版本的步骤，帮助读者高效构建深度学习开发环境。

摘要由CSDN通过智能技术生成

有问题欢迎在评论区留言，后续更新常见问题及解决方法。。。

搭建深度学习开发环境

一、深度学习应用的典型开发流程

在这里插入图片描述

二、深度学习训练所需的硬件

对于深度学习训练来说核心的执行硬件是GPU。TensorFlow官网对显卡的要求是：CUDA计算能力为3.5或更高的NVIDIA GPU卡。NVIDIA官网所展示的部分GPU产品的CUDA计算能力如下：
在这里插入图片描述
其他产品请自行到NVIDIA官网查看：https://developer.nvidia.com/cuda-gpus#compute

三、NVIDIA显卡驱动安装（可跳过）

一般来说，使用中的电脑已经装有对应的显卡驱动，所以此操作可不做。
若真没有安装显卡驱动的可自行使用驱动精灵、360驱动大师进行安装。
Windows系统下，查看显卡驱动依次操作如下：
此电脑 -> 右键 -> 属性 -> 设备管理器 -> 显示适配器
在这里插入图片描述

四、释放NVIDIA显卡资源（可跳过）

为了把NVIDIA显卡的计算资源全部释放出来，建议将“Primary Display”的设置改为“IFGX”，这样英特尔集成显卡会作为主显示输出。具体操作如下：
默认情况下，BIOS中Chipset->System Agent(SA) configuration->Graphics configuration->Primary Display的设置是Auto，意思是当插上独立显卡时，独立显卡会作为主显示输出，把Auto改为IFGX。