前后总共配置了三次tensorflow GPU版本,每次都刻骨铭心,这下子要好好做个笔记了!!
1-核查驱动是否正常
cmd命令
nvidia-smi
如果有显示,则说明ok,记得版本要大于450
如果没有就去下载,链接如下:
第一步:通过conda创建一个新的虚拟环境,采用python3.10版本
conda create -n tf210 python=3.10
第二步:首先安装依赖包,(因为之前我先安装tensorflow在安装依赖包,总是出现版本不匹配的问题)推荐使用阿里镜像,实测是真的快
(tf210) pip install matplotlib pandas notebook scikit-learn -i https://mirrors.aliyun.com/pypi/simple/
第三步:安装tessorflow2.10版本,也同样使用镜像源,也可以直接为pip配置默认镜像源
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/
(tf210) pip install tensorflow==2.10
第四步:我参照要求去下载tensorflow对应的cudnn与cudatoolkit版本,但是默认的conda源并灭有找到相应的版本。
(tf210) conda install cudnn=8.1 找不上这个版本
(tf210) conda install cudatoolkit=11.2 找不到这个版本
可以使用 conda search cudnn 查看它能找到那些版
找不到以后,我就使用默认的
(tf210) conda install cudnn
结果它会默认的安装
(cudnn=8.9.2.26 cudatoolkit=11.8.0 总共 1G)
然后就可以使用了,
总结,依赖包和tensorflow我采用pip安装,cudnn和cudatoolkit采用conda安装(因为pip没有)
可能我采用的默认,其版本会随着更新有变换,所以我将我的版本实例如下:
tensorflow 2.10.0
matplotlib 3.8.3
notebook 7.1.2
pandas 2.2.1
scikit-learn 1.4.1.post1
cudatoolkit 11.8.0
cudnn 8.9.2.26
超级省事的配置TensorFlow 2.10环境 可以使用我提供的yaml文件
直接一手
conda env create -f tf210_environment.yaml