安装tensorflow-gpu 1.12.0

目录

项目场景：

问题描述1

CUDA版本不匹配，需要重新安装

解决方案1：

额外安装其他版本的CUDA，并实现版本自由切换。

问题描述2：

1. cuDNN包解压后的cudnn.h文件无法复制到目标文件夹中

2. 如何查看是否会到最初版本的CUDA

解决方案2：

1. cudnn.h无法复制

2. 回到最初版本的CUDA

问题描述3：

tensorflow-gpu 1.12.0安装不断出现意外

解决方案3：

1. 方式一（更推荐方式二，下载速度翻倍）

 2. 方式二

最终测试

---

---

项目场景：

现在需要在NVIDIA RTX3090显卡上运行一个tensorflow 1.x的程序，具体配置如下：

版本选择越新越好，因此选择安装tensorflow-gpu 1.12.0。在安装的过程中，陆续会碰到三个问题，我将在下面依次列出并给予解答。

---

问题描述1

CUDA版本不匹配，需要重新安装

在安装tensorflow-gpu 1.12.0之前，需要查看该版本的tensorflow所需搭配的CUDA 和cuDNN版本如下：

使用nvidia-smi命令查看当前CUDA版本为11.2：

因此需要在非root条件下，为当前用户额外安装CUDA 9.0和对应的cuDNN 7.1，否则tensorflow 1.12.0根本无法使用。例如，在python交互式命令行中引入tensorflow如下：

import tensorflow

会得到以下报错信息：

这就提示我们需要在CUDA 9.0的环境下才能正常使用tensorflow-gpu 1.12.0。

---

解决方案1：

额外安装其他版本的CUDA，并实现版本自由切换。

强烈推荐这篇博客：

非root用户在linux下安装多个版本的CUDA和cuDNN（cuda 8、cuda 10.1 等）_随性拂尘倾心的博客-CSDN博客按照他的步骤去做就能很顺利地在多个CUDA版本间自由切换了。

---

问题描述2：

按照上述博客安装其他版本的CUDA和cuDNN时，在最后的文件配置阶段会遇到两个问题：

1. cuDNN包解压后的cudnn.h文件无法复制到目标文件夹中

在执行第一句话时，系统会提示权限不够（Permission Denied）。

2. 如何查看是否会到最初版本的CUDA

        正如作者所述，想要在多个版本的CUDA之间自由切换，只需每次修改bashrc文件并重新读取配置文件即可，再用nvcc -V指令就能看到CUDA版本在不断变化。但是，这种方式只能看到CUDA版本在额外安装的CUDA之间来回变化，当我们将先前添加的所有export语句都注释并使用source .bashrc重新读取配置文件以后，再使用nvcc -V查看，会发现此时显示的CUDA版本仍然是最后一次选择的CUDA版本，并非原始的CUDA 11.2。

---

解决方案2：

1. cudnn.h无法复制

        在目标文件夹下同样可以找到一个cudnn.h文件， 该文件是只读文件，因此无法复制替换。此时先将该文件手动删除，再将源文件夹下的cudnn.h文件复制过来即可。

2. 回到最初版本的CUDA

 此时需要将当前窗口关闭后重新打开，再使用nvcc -V命令会得到以下信息：

这个时候反而证明CUDA版本回到11.2了。我们还可以进一步做如下尝试进行验证：

在python交互式界面中输入以下语句：

import tensorflow

会得到报错信息：

提示我们需要在CUDA 9.0环境下使用tensorflow，恰好证明我们现在回到了最初的CUDA 11.2 。当然，这种验证方法需要在安装tensorflow之后才能使用。

---

问题描述3：

tensorflow-gpu 1.12.0安装不断出现意外

我们尝试使用pip命令自动安装tensorflow-gpu 1.12.0。我们使用如下命令进行安装：

python -m pip --default-timeout=6000 install --upgrade -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==1.12.0 --no-cache-dir

但是仍然不能避免出现版本问题，如：

[ERROR] THESE PACKAGES DO NOT MATCH THE HASHES FROM THE REQUIREMENTS FILE

并且，清华镜像源下载速度十分慢；中科大镜像源虽然速度很快，但在安装好tensorflow，并在接下来安装其他附加组件时，会出现找不到匹配包的问题；其他镜像源（如阿里、豆瓣、中科院）更是直接找不到tensorflow-gpu 1.12.0版本的安装包。

---

解决方案3：

直接在本地下载tensorflow-gpu 1.12.0的安装包，上传到服务器后使用pip进行安装。

1. 方式一（更推荐方式二，下载速度翻倍）

安装包可以在pypi的官网上进行下载：tensorflow-gpu · PyPI

首先选择目标版本：

选择下载文件：

选择对应python3.6版本的安装包：

 2. 方式二

安装包可以在阿里云镜像源中进行下载：Links for tensorflow-gpu。在Pypi中下载速度以KB/s为单位，而在镜像源中下载以MB/s为单位。

选择目标安装包下载：

---

 下载到本地后，上传到服务器中：

再使用pip命令进行安装：

pip install tensorflow_gpu-1.12.0-cp36-cp36m-manylinux1_x86_64.whl

---

最终测试

1.  将CUDA版本切换成CUDA 9.0。
2. 在python交互界面中输入：

import tensorflow as tf 

sess = tf.Session() 
a = tf.constant(1) 
b = tf.constant(1) 
print(sess.run(a+b)) 

 参考：测试TensorFlow 是否安装成功_zqx951102的博客-CSDN博客_测试tensorflow是否安装成功

 得到输出结果为：

即表明安装成功 。