docker tensorflow-gpu cuda10.2踩坑

最新推荐文章于 2024-09-18 23:53:11 发布

Replete

最新推荐文章于 2024-09-18 23:53:11 发布

阅读量313

点赞数

文章标签： tensorflow docker python 人工智能深度学习

本文链接：https://blog.csdn.net/weixin_38906715/article/details/125675868

版权

cuda10.2对应tensorflow-gpu版本2.1

tensorflow-gpu 2.1不支持python3.8

解决方法：

docker pull opensciencegrid/tensorflow-gpu:2.3-cuda-10.1

进入容器，更改默认python2.7为3.6

update-alternatives --install /usr/bin/python python /usr/bin/python3 150

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Replete

关注关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

tensorflow-GPU docker运行

weixin_42749767的博客

10-13

2130

1.tensorflow安装版本介绍在服务器上部署的时候，可能宿主机直接用apt install安装的CUDA9.1（ubuntu18.04支持apt install 安装CUDA9.1）,此时用pip install tensorflow–gpu 安装的 1.11.0 不能支持CUDA9.1。所以此时可以采用两种方案，一种是直接安装编译好的 tensorflow-gpu。由于已经在CUDA9...

docker安装tensorflow-gpu

random_repick的专栏

12-11

752

1.因为之前安装别的框架已经安装过NVIDIA驱动，所以不知道需不需要先装驱动。个人建议先安装驱动，看这里。 2.根据官网安装docker sudo apt-get remove docker docker-engine docker.io containerd runc sudo apt-get update sudo apt-get install \ apt-transport-https \ ca-certificates \ curl \ gnupg-agent.

参与评论您还未登录，请先登录后发表或查看评论

Docker【部署 05】docker使用tensorflow-gpu安装及调用GPU踩坑记录

Java与大数据相关实践内容分享！

10-11

2262

docker使用tensorflow-gpu安装及调用GPU踩坑记录

Docker【部署 07】镜像内安装tensorflow-gpu及调用GPU多个问题处理Could not find cuda drivers+unable to find libcuda

最新发布

2401_87198849的博客

09-18

1007

在Linux环境下，Docker可以支持将宿主机上的目录挂载到容器里。这意味着，如果宿主机上的目录包含软链接，那么这些软链接也会被挂载到容器中。然而，需要注意的是，这些软链接指向的路径必须在Docker容器中是可访问的。也就是说，如果软链接指向的路径没有被挂载到Docker容器中，那么在容器中访问这个软链接可能会失败。检测CUDA版本是必要的，由于使用的是导出的镜像文件，2和3的方法无法使用，最终使用。尝试解决，在容器启动要执行的py文件内加入以下代码，我将以下代码加入到。

使用docker在Ubuntu上安装TensorFlow-GPU

生物医学信息学博客

12-03

1万+

基于docker在Ubuntu上搭建TensorFlow-GPU计算环境由于实验室的服务器有多人共享使用，而不同人的代码对应的keras和tensorflow版本不一致，所以对应的cuda版本也不相同，因此，考虑使用docker安装自己的容器，这样就可以避免共享cuda版本不一致造成的麻烦。（不过有贴子说使用docker的话，GPU性能只能发挥80%，所以有利有弊吧）安装docker 首先，检...

docker 安装Tensorflow-GPU，及容器创建

qq_40105923的博客

03-22

314

本过程是在docker及CUDA安装之后的过程。首先先拉Tensorflow的GPU版本；重启docker服务便可。

nix-container-namd2.14-cuda10.2:使用Nix的CUDA 10.2支持的NAMD 2.14容器

04-10

在【压缩包子文件的文件名称列表】中，我们看到只有一个文件 "nix-container-namd2.14-cuda10.2-main"。这很可能是构建或配置这个NAMD容器的脚本或者Dockerfile，它包含了创建和定制容器所需的所有指令，比如安装...

关于windows10/11 上使用docker19以上版本初始化cuda容器 --gpus all 选项使用后可以创建容器但是无法运行的解决方案（docker-container-cli初始化错误）

w12567878的博客

11-07

2174

原因在windows10/11上docker基于WSL运行，想使用gpu需使用WSL2，并在WSL2里安装驱动，nvcc -V以及nvidia-smi都有输出即可。 cuda本机安装后似乎不需要额外安装了，需要直接apt安装，用nvcc -V验证是否可以使用cuda，cuda版本建议去Nvidia的窗口查看支持版本，不要安装错了。安装错误需要先卸载。我的win11一直安装cuda不成功是因为Nsight VSE（Visual Studio Edition）与VS2019冲突，卸载VS就行了，Visual

巧用 Docker Compose 管理 GPU 资源

开源世界

05-13

1180

在容器中使用 GPU 一直是使用 Compose 的一个痛点！在面向 AI 开发的大趋势下，容器化可以将环境无缝迁移，将配置环境的成本无限降低。但是，在容器中配置 CUDA 并运行 TensorFlow 一段时间内确实是个比较麻烦的时候，所以我们这里就介绍和使用它。 Enabling GPU access with Compose Runtime options with Memory, CPUs, and GPUs The Compose Specification The Compose Specif

Ubuntu 18.04安装CUDA（版本10.2）和cuDNN

仰望的力量的专栏

12-20

1万+

目录 1.系统要求 2.安装前的要求 3.runfile安装（不支持跨平台） 4.后续安装操作 5.安装cuDNN 6.汇总问题本文基于Ubuntu 18.04.3 LTS 64位安装CUDA 10.2和对应版本的cuDNN，GPU型号为ZOTAC RTX2080Ti-11GD5。 NVIDIA DEVELOPER ZONE提供的CUDA TOOLKI...

Ubuntu中，在docker中安装pytorch(gpu)+cuda-详细

LOLUN9的博客

01-21

7202

Ubuntu中，在docker中安装pytorch(gpu)+cuda-详细

docker镜像tensorflow-1.11.0-gpu-py3 part1

01-04

docker镜像tensorflow-1.11.0-gpu-py3，第一部分，一共有3部分

docker镜像tensorflow-1.11.0-gpu-py3 part3

01-04

docker镜像tensorflow-1.11.0-gpu-py3，第三部分，一共有3部分

tensorflow1.12支持cuda10

01-11

自编译tensorflow： 1.python3.5,tensorflow1.12; 2.支持cuda10.0,cudnn7.3.1,TensorRT-5.0.2.6-cuda10.0-cudnn7.3; 3.无mkl支持; 软硬件硬件环境：Ubuntu16.04,GeForce GTX 1080 TI 配置信息： hp@dla:~/work/ts_compile/tensorflow$ ./configure WARNING: --batch mode is deprecated. Please instead explicitly shut down your Bazel server using the command "bazel shutdown". You have bazel 0.19.1 installed. Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python3 Found possible Python library paths: /usr/local/lib/python3.5/dist-packages /usr/lib/python3/dist-packages Please input the desired Python library path to use. Default is [/usr/local/lib/python3.5/dist-packages] Do you wish to build TensorFlow with XLA JIT support? [Y/n]: XLA JIT support will be enabled for TensorFlow. Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: No OpenCL SYCL support will be enabled for TensorFlow. Do you wish to build TensorFlow with ROCm support? [y/N]: No ROCm support will be enabled for TensorFlow. Do you wish to build TensorFlow with CUDA support? [y/N]: y CUDA support will be enabled for TensorFlow. Please specify the CUDA SDK version you want to use. [Leave empty to default to CUDA 10.0]: Please specify the location where CUDA 10.0 toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: /usr/local/cuda-10.0 Please specify the cuDNN version you want to use. [Leave empty to default to cuDNN 7]: 7.3.1 Please specify the location where cuDNN 7 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda-10.0]: Do you wish to build TensorFlow with TensorRT support? [y/N]: y TensorRT support will be enabled for TensorFlow. Please specify the location where TensorRT is installed. [Default is /usr/lib/x86_64-linux-gnu]://home/hp/bin/TensorRT-5.0.2.6-cuda10.0-cudnn7.3/targets/x86_64-linux-gnu Please specify the locally installed NCCL version you want to use. [Default is to use https://github.com/nvidia/nccl]: Please specify a list of comma-separated Cuda compute capabilities you want to build with. You can find the compute capability of your device at: https://developer.nvidia.com/cuda-gpus. Please note that each additional compute capability significantly increases your build time and binary size. [Default is: 6.1,6.1,6.1]: Do you want to use clang as CUDA compiler? [y/N]: nvcc will be used as CUDA compiler. Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/gcc]: Do you wish to build TensorFlow with MPI support? [y/N]: No MPI support will be enabled for TensorFlow. Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native -Wno-sign-compare]: Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: Not configuring the WORKSPACE for Android builds. Preconfigured Bazel build configs. You can use any of the below by adding "--config=" to your build command. See .bazelrc for more details. --config=mkl # Build with MKL support. --config=monolithic # Config for mostly static monolithic build. --config=gdr # Build with GDR support. --config=verbs # Build with libverbs support. --config=ngraph # Build with Intel nGraph support. --config=dynamic_kernels # (Experimental) Build kernels into separate shared objects. Preconfigured Bazel build configs to DISABLE default on features: --config=noaws # Disable AWS S3 filesystem support. --config=nogcp # Disable GCP support. --config=nohdfs # Disable HDFS support. --config=noignite # Disable Apacha Ignite support. --config=nokafka # Disable Apache Kafka support. --config=nonccl # Disable NVIDIA NCCL support. Configuration finished 编译： bazel build --config=opt --verbose_failures //tensorflow/tools/pip_package:build_pip_package 卸载已有tensorflow： hp@dla:~/temp$ sudo pip3 uninstall tensorflow 安装自己编译的成果： hp@dla:~/temp$ sudo pip3 install tensorflow-1.12.0-cp35-cp35m-linux_x86_64.whl

docker︱在nvidia-docker中使用tensorflow-gpu/jupyter

热门推荐

素质云笔记

12-06

2万+

docker小白… 搭建基础：宿主机已经有CUDA8.0 进出快捷键： ctrl+d 退出容器且关闭, docker ps 查看无 ctrl+p+q 退出容器但不关闭, docker ps 查看有使用docker restart命令重启容器使用docker attach命令进入容器一、安装参考：Docker Compose + GPU + TensorFlow = ...

tensorflow在docker里调用宿主机GPU

RayChiu757374816的博客

09-04

720

tensorflow在容器里使用宿主机GPU

基于Docker配置的tensorflow-gpu环境进行分布式训练

error的博客

06-10

990

本文基于ubuntu18.04中基于Docker搭建tensorflow-gpu开发环境这篇文章中构建好的tensorflow-gpu环境进行开发。如果觉得有用，测试demo可以找我要，希望能帮助到大家。添加一行： 4 重启ssh服务： 5 宿主机上连接：：此处端口是之前宿主机映射到容器的端口，详细见我上篇文章。6 将添加ssh功能的容器打包成一个镜像，在这篇文章的基础上。 2 查看每个Docker容器的ip信息 3 宿主机端口和docker容器端口映射 3.0 端口映射相关知识基础参考链接 TC

Linux中使用Docker快速搭建Tensorflow-Gpu开发环境

TFATS的博客

08-26

2485

本文将介绍：如何找到所需要的Tensorflow-GPU镜像在Linux终端中拉取镜像、查看本地镜像使用Docker构建Tensorflow-Gpu环境配置jupyter外部访问映射检查是否是GPU环境一，下载Tensorflow镜像 1，找到所需要的Tensorflow镜像百度搜索nvidia ngc进入NVIDIA GPU 加速容器，找到所需版本的Tensorflow镜像，并copy 其对应的 pull tag。 2，在Linux终端中拉取镜像 docker pull nvcr.io/

Airflow【部署 01】Airflow官网Quick Start实操（一篇学会部署Airflow）_apache airflow教程(1)

2401_84253850的博客

05-07

1109

docker --gpu

09-18

docker --gpu是一个用于在Docker容器中启用GPU支持的命令。当你在一个支持GPU的主机上运行Docker时，可以使用docker --gpu命令来确保你的容器可以利用GPU资源进行计算。通过docker --gpu命令，你可以在Docker容器...