2020年英伟达官网提供的cuda版本已经是10.2了,但是老版本的10.0仍然是一些框架的基础,记录一下资源的位置。
聊聊
虽然目前TensorFlow官网仍然推荐使用pip安装TensorFlow,但是经过测试发现conda安装可能更好。
理由如下:
- 一步到位:conda 安装将自动安装 GPU 支持所需的 CUDA 和 CuDNN 库;pip 安装则需要手动安装这些库。人人喜欢一步到位,尤其是在下载与安装库这方面。
- 完美兼容:使用 conda 安装 GPU 加速版本的 TensorFlow 时,只需使用命令
conda install tensorflow-gpu
,这些库就会自动安装成功,且版本与 tensorflow-gpu 包兼容。
请注意:不管使用 pip 还是 conda 安装 GPU 支持的 TensorFlow,NVIDIA 驱动程序都必须单独安装。
对于 TensorFlow 的多个版本,conda 包可使用多种 CUDA 版本。例如,对于 TensorFlow 1.10.0 版本,conda 包支持可用的 CUDA 8.0、9.0 和 9.2 库。而 pip 包仅支持 CUDA 9.0 库。在不支持 CUDA 库最新版本的系统上运行时,这非常重要。最后,由于这些库是通过 conda 自动安装的,用户可轻松创建多个环境,并对比不同 CUDA 版本的性能。(这么看起来,下面的文章已经没用了QAQ)
顺序如下:
- 安装NVIDIA显卡驱动
- 安装Miniconda或Anaconda
- 创建虚拟环境
- 用
conda
安装TensorFlowconda install tensorflow=1.14
或conda install tensorflow-gpu=1.14
Anaconda 或 Miniconda??
如果还没有安装 Anaconda 或 Miniconda,需要先安装它们。
- Miniconda 仅安装 conda 和一些依赖项
- Anaconda 则会预安装大量包。
我更喜欢 Miniconda。使用 conda 安装时,如果选择 Anaconda,则伴随 TensorFlow 同时安装的还有 Anaconda 库中的 1400 多个常用软件包,它们会提供一个完整的数据科学环境。这些包安装到单独的 conda base 环境中,其内容不会影响到其他环境。
inference
【1】 原文链接
【2】 翻译链接
---------------------------------------------------------------------------------
下面是原文
1.TensorFlow-gpu 所对应的cuda和cuDNN版本
TensorFlow 和 pytorch这些框架,不同的版本和cuda之间存在对应关系,首先需要确认所支持的版本
查看支持信息
linux/macOS
https://tensorflow.google.cn/install/source#linux
windows
https://tensorflow.google.cn/install/source_windows
2.pytorch各版本与cuda的对应信息
对于不同版本,页面中有详细的对应说明。
https://pytorch.org/get-started/previous-versions/
3.历史版本cuda下载地址
https://developer.nvidia.com/cuda-toolkit-archive