解决pytorch，tensorflow等因版本问题导致重新无法调用GPU问题的常规解决解决方法

pytorch，tensorflow等因版本问题导致重新无法调用GPU问题的常规解决解决方法

常见包安装

首先根据获取的代码先查看requirements.txt通过一下命令进行安装

pip install -r requirements.txt
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/

或者根据.yml文件进行下载
其中.yml在国内下载pytorch会引入官方源，需要自行更改一下
如例:

name: xxx
channels:
  - pytorch
  - conda-forge
  - defaults
dependencies:
  - cudatoolkit=10.2.89
  ...
  - pytorch=1.10.1
  ...
  - torchvision=0.11.2
  - pip:
    ...

其中就应该删去- pytorch用换源进行下载。
安装命令为

activate base
conda env create -f xxx.yml 

换源

首先这种依赖用国外源下载很容易出现下载失败，甚至使用了魔法都会报错httperror，所以下载的第一步就是换源。

conda换源

首先生成源，通过一下命令生成如下.condarc的文件

conda config --set show_channel_urls yes

然后编辑成如下

channels:
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/win-64/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/win-64/
  - http://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/win-64/
show_channel_urls: true
default_channels:
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/main
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/r
  - https://mirrors.bfsu.edu.cn/anaconda/pkgs/msys2
custom_channels:
  conda-forge: https://mirrors.bfsu.edu.cn/anaconda/cloud
  msys2: https://mirrors.bfsu.edu.cn/anaconda/cloud
  bioconda: https://mirrors.bfsu.edu.cn/anaconda/cloud
  menpo: https://mirrors.bfsu.edu.cn/anaconda/cloud
  pytorch: https://mirrors.bfsu.edu.cn/anaconda/cloud
  pytorch-lts: https://mirrors.bfsu.edu.cn/anaconda/cloud
  simpleitk: https://mirrors.bfsu.edu.cn/anaconda/cloud
ssl_verify: true

如果之后依然出现下载问题使用以下链接自己diy.condarc文件

pip换源

对于单个命令可以用以下方式进行换源

pip install xxx -i https://pypi.tuna.tsinghua.edu.cn/simple

或者使用全局换源
自己看链接

换源后下载依然下载失败原因

一般下载失败有以下三种可能：
1.有些包可能只有linux上才有
2.官方源下载太慢数据包超时
3.清华或者其他源没有这个包
结局方法解决方法：
1.换平台
2.换源或者用命令加长超时时间慢慢下
在安装命令后加上–default-timeout=1000，修改下载超时判定的条件为1s（这么干不仅降低了超时的概率，似乎还提高了下载速度（？玄学））
3.多加几个源，实在不行去找包下

CUDA以及CUDNN版本选择

首先根据代码或者需求定下pytorch以及tensorflow的版本。
以上面.yml为例，pytorch以及torchvision版本在里面也写了，就不用查表了，否则可以根据需求通过电脑cuda以及cudnn版本反选torch。或者根据官网链接进行查询（注：此yml文件里规定了cuda版本cudatoolkit=10.2.89即是10.2，如果使用其他版本的cuda需要先下载对应版本的cudatoolkit然后重装pytorch），tensorflow对应版本安装同理。

pytorch对应CUDA版本匹配

TensorFlow、Python、CUDA、cuDNN版本匹配

官网：TensorFlow
查询版本链接：TensorFlow
首先记得将cuda以及cudnn的目录加入path

export PATH=“c:Program Files/NVIDIA GPU Computing Toolkit/CUDA/v11.0/bin:$PATH”
export PATH=“c:Program Files/NVIDIA GPU Computing Toolkit/CUDA/v11.0/extras/CUPTI/libx64:$PATH”
export PATH="/c/tools/cuda/bin:$PATH"

对应表格

查表安装对应的tensorflow_gpu版本。

keras对应版本

如下表

安装好后的测试方法

CUDA测试

1.命令测试

nvcc -V

2.文件测试
进入cuda安装地址中的demo_suite目录
命令

cd /d xxxxxx\demo_suite
deviceQuery

如上图则安装成功

pytorch GPU测试

import torch
from torch import nn
import torchvision
print(torch.__version__)  # 输出pyTorch版本
print(torch.version.cuda)  # 输出CUDA版本
print(torch.backends.cudnn.version)  # 输出cuDNN的版本
print(torch.cuda.get_device_name(0))  # 输出显卡版本
print(torch.cuda.is_available())  # 测试GPU是否生效

Tensoflow GPU测试

import tensorflow as tf
hello = tf.constant('Hello, TensorFlow!')
sess = tf.Session()
print(sess.run(hello))
print(tf.test.is_gpu_available())
print(tf.__version__)