无需源码编译 | 基于RTX3090配置tensorflow1.15环境

入手RTX3090，在配置tensorflow环境的时候很是头疼，因为3090只支持cuda11.0+的版本，而tensorflow1.×已经不再维护，没有出支持cuda11.0+的版本了。

只能通过源码编译来安装环境，可我试过几次源码编码，但是都失败。终于找到另外一个方法，参考Accelerating TensorFlow on NVIDIA A100 GPUs，这是nvdia官方对安培架构的A100 GPU进行编译的TensorFlow 1.15版本，链接中简单介绍安装方法。而3090同样也是安培架构，安装方法应该也是可以通用的。

安装方法如下：

1、安装tensorflow wheel的索引

pip install nvidia-pyindex

2、安装tensorflow

pip install nvidia-tensorflow

上面这个命令行是否成功安装取决于网速，国内很大可能是无法一次性安装成功的，可以通过依次安装相应的依赖包来安装tensorflow。

可以先创建一个tensorflow的虚拟环境，然后使用pip install 按照顺序安装以下依赖包，依赖包有：

google_pasta-0.2.0-py3-none-any.whl
nvidia_cublas-11.2.1.74-cp36-cp36m-linux_x86_64.whl
nvidia_cuda_cupti-11.1.69-cp36-cp36m-linux_x86_64.whl
nvidia_cuda_nvcc-11.1.74-cp36-cp36m-linux_x86_64.whl
nvidia_cuda_nvrtc-11.1.74-cp36-cp36m-linux_x86_64.whl
nvidia_cuda_runtime-11.1.74-cp36-cp36m-linux_x86_64.whl
nvidia_cudnn-8.0.4.30-cp36-cp36m-linux_x86_64.whl
nvidia_cufft-10.3.0.74-cp36-cp36m-linux_x86_64.whl
nvidia_curand-10.2.2.74-cp36-cp36m-linux_x86_64.whl
nvidia_cusolver-11.0.0.74-cp36-cp36m-linux_x86_64.whl
nvidia_cusparse-11.2.0.275-cp36-cp36m-linux_x86_64.whl
nvidia_dali_cuda110-0.26.0-1608709-py3-none-manylinux2014_x86_64.whl
nvidia_dali_nvtf_plugin-0.26.0+nv20.10-cp36-cp36m-linux_x86_64.whl
nvidia_nccl-2.7.8-cp36-cp36m-linux_x86_64.whl
nvidia_tensorboard-1.15.0+nv20.10-py3-none-any.whl
nvidia_tensorrt-7.2.1.4-cp36-none-linux_x86_64.whl
tensorflow_estimator-1.15.1-py2.py3-none-any.whl
tensorflow_estimator-1.15.2-py2.py3-none-any.whl
nvidia_tensorflow-1.15.4+nv20.10-cp36-cp36m-linux_x86_64.whl

在安装nvidia_tensorflow-1.15.4+nv20.10的过程中可能会出现以下问题：

这个时候只需要使用命令pip install tensorboard即可解决。

2021.03.09更新

上面红色框中可以先不装，装了第16个之后，直接装第19个，在装第19个的时候，会顺带下载第17个的依赖包，并且安装好。

这些依赖包的下载地址：依赖包下载地址（提取密码5tgm）这个地址是参考博文【1】的哦，直接下载，然后在依赖包的路径下，按照上述的顺序pip install ×××即可。

3、测试tensorflow是否安装成功

输入python，import tensorflow as tf出现如下提示，则安装成功，识别到显卡并调用cudnn了。

参考

【1】：RTX3080+Ubuntu18.04+cuda11.1+cudnn8.0.4+TensorFlow1.15.4+PyTorch1.7.0环境配置

【2:】：Accelerating TensorFlow on NVIDIA A100 GPUs