Tensorflow-gpu1.x和gpu2.x版本共存之法

大家好，我是Mr数据杨！想象一下Python就像是三国演义中的各位英勇的将领，他们各有所长，但都需要一个稳定、适宜的版本，就像将领需要正确的兵器，我们的"Python版本选择"就是为你准备这个兵器。

接下来，就如同诸葛亮制定战略一样，需要配置好阵地。这就是"NVIDIA配置流程"和"Tensorflow配置流程"的角色。会把NVIDIA显卡调整到最佳状态，然后再安装和配置Tensorflow，让他像赵云一样，英勇无敌。

最后要像司马懿一样谨慎，验证的阵地是否已经做好准备。这就是"Tensorflow GPU验证"的作用。只有确认一切就绪才能放心大胆地投入战斗，实现AI梦想。

这就是我们今天要学习的内容，大家跟我一起，成为计算机编程的诸葛亮，走向我们的AI三国演义之路吧！

Windows10系统下让 Tensorflow-gpu1.X 版本和 Tensorflow-gpu2.X 版本共存，且可以满足日常工作。要把需要用到的软件下载好，尤其要注意并不是最新版就是最好的，而是需要挑选相对稳定的，相互冲突少的。

这里推荐的2个共存版本分别是 Tensorflow-gpu1.13.1（虚拟环境）和 Tensorflow-gpu2.0.0（开发环境）。

可以看下我的工程目录。

以我笔记本显卡 NVIDIA-GTX-1060 举例，如果你的显卡不是这个版本的查看我的另外一篇文章 Win10+Python3.8+GPU版tensorflow2.x环境搭建最简流程，查询你显卡的对应版本。

需要安装插件	TF1.x 依赖及版本	TF2.x 依赖及版本
Python版本	3.6.x	3.6.x
TF-GPU版本	1.13.x	2.0.0
CUDNN	7.3.1	7.3.1
CUDA	10.0	10.0

Python 版本选择

建议直接安装Anaconda，选择自己需要版本即可。也可以直接前往 Python 官网 下载 Python 3.x 的安装包。运行安装程序并按照提示进行安装。在安装过程中，请确保勾选“Add Python to PATH”选项，以便在系统环境变量中添加 Python。

这里推荐使用Anaconda方式安装python，简单方便。

tensorflow-gpu 1.13.1

创建虚拟环境 tf113，执行命令conda create -n tf113 python=3.6.9以管理员身份运行下面的命令。

conda create -n tf113 python=3.6.9

执行命令conda activate tf113，执行命令conda search cudatoolkit查看可供安装的版本。

conda activate tf113
conda search cudatoolkit

执行命令conda install cudatoolkit=10.0.130安装对应版本的cudatoolkit。

conda install cudatoolkit=10.0.130

执行命令conda search cudnn查看cudnn的版本

conda search cudnn

执行命令conda install cudnn=7.3.1安装cuda适配的cudnn版本。

conda install cudnn=7.3.1

执行命令conda search tensorflow-gpu查看tensorflow-gpu可供选择的版本。

conda search tensorflow-gpu

执行命令conda install tensorflow-gpu=1.13.1安装该版本即可。

conda install tensorflow-gpu=1.13.1

测试验证。

• import tensorflow as tf：这行代码是导入 TensorFlow 这个深度学习库，并且为了方便在代码中调用它，我们用 “tf” 作为别名。
• version = tf.__version__：这行代码是获取 TensorFlow 的版本信息，并将其存储在变量 “version” 中。
• gpu_ok = tf.test.is_gpu_available()：这行代码用来检测当前环境是否可以使用 GPU。如果可以使用，该函数会返回 True，否则返回 False。结果被存储在 “gpu_ok” 这个变量中。
• print("tf version:",version,"\nuse GPU",gpu_ok)：这行代码用于输出 TensorFlow 的版本信息以及是否能使用 GPU 的信息。“\n” 是一个特殊字符，表示新的一行，用于在输出结果中换行。

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

>>> tf version: 1.13.1
>>> use GPU True

tensorflow-gpu 2.0.0

执行命令conda create -n tf200 python=3.6.2创建虚拟环境 tf200，在命令行以管理员身份运行下面的命令。

conda create -n tf200 python=3.6.2

执行命令conda activate tf200，执行命令conda search cudatoolkit查看可供安装的版本。

conda activate tf113
conda search cudatoolkit

执行命令conda install cudatoolkit=10.0.130安装对应版本的cudatoolkit。

conda install cudatoolkit=10.0.130

执行命令conda search cudnn查看cudnn的版本

conda search cudnn

执行命令conda install cudnn=7.3.1安装cuda适配的cudnn版本。

conda install cudnn=7.3.1

conda search tensorflow-gpu 2.0.0 的库中如果没有该版本的tf包则用pip进行安装，执行命令pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple安装该版本即可。

pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

测试验证。

• import tensorflow as tf：这行代码是导入 TensorFlow 这个深度学习库，并且为了方便在代码中调用它，我们用 “tf” 作为别名。
• version = tf.__version__：这行代码是获取 TensorFlow 的版本信息，并将其存储在变量 “version” 中。
• gpu_ok = tf.test.is_gpu_available()：这行代码用来检测当前环境是否可以使用 GPU。如果可以使用，该函数会返回 True，否则返回 False。结果被存储在 “gpu_ok” 这个变量中。
• print("tf version:",version,"\nuse GPU",gpu_ok)：这行代码用于输出 TensorFlow 的版本信息以及是否能使用 GPU 的信息。“\n” 是一个特殊字符，表示新的一行，用于在输出结果中换行。

import tensorflow as tf
version = tf.__version__
gpu_ok = tf.test.is_gpu_available()
print("tf version:",version,"\nuse GPU",gpu_ok)

>>> tf version: 2.0.
>>> use GPU True