conda如何升级pytorch_RTX 3090的深度学习环境配置pytorch、tensorflow、keras

笔者中山大学研究生，医学生+计科学生的集合体，机器学习爱好者。

最近刚入了3090，发现网上写的各种环境配置相当混乱而且速度很慢。所以自己测了下速度最快的3090配置环境，欢迎补充！

基本环境（整个流程大约需要5分钟甚至更少）

py37或py38
cuda11.0
cudnn8.0.4
tf2.5（tf-nightly）
pytorch1.7
keras2.3

（1）官网下载，安装显卡驱动：

bash NVIDIA-Linux-x86_64-455.23.04.run

（2）安装Anaconda并换源

export 

（3）创建虚拟环境，一般用py37或py38（以下都在虚拟环境中操作）

python

（4）安装cuda11.0和pytorch1.7（不用再conda install cudatoolkit==11.0）

cudatoolkit

（5）安装cudnn8（因为conda还不支持cudatoolkit=11中下载cudnn）

从https://developer.nvidia.com/rdp/cudnn-download下载cudnn，解压后进入cuda/lib64路径下，把里面所有文件拷入对应虚拟环境（exp38）的lib中

（6）装tf2.5（不要装tensorflow-gpu==2.4.0rc0，会报错'NoneType' object has no attribute 'TFE_MonitoringDeleteBuckets'）

pip install tf-nightly-gpu -i http://pypi.douban.com/simple --trusted-host pypi.douban.com
pip install tf-nightly -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

（7）装keras2.3

pip install keras==2.3 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com

（8）测试（使用cuda10.2也可以测试使用gpu，但貌似不能把数据写入gpu）

pytorch

tensorflow

keras（测试需要改部分源码_get_available_gpus()）

import tensorflow as tf
import keras.backend.tensorflow_backend as tfback
print("tf.__version__ is", tf.__version__)
print("tf.keras.__version__ is:", tf.keras.__version__)
 
def _get_available_gpus():
    if tfback._LOCAL_DEVICES is None:
        devices = tf.config.list_logical_devices()
        tfback._LOCAL_DEVICES = [x.name for x in devices]
    return [x for x in tfback._LOCAL_DEVICES if 'device:gpu' in x.lower()]
tfback._get_available_gpus = _get_available_gpus

from keras import backend as K
K.tensorflow_backend._get_available_gpus()

后记：实际3090需要cuda11.1，但pytorch和tf目前只支持11.0。而且好像不支持tf1.x，至少我测试失败，数据无法写入gpu。而且讲真不需要单独配cuda、cudnn，在虚拟环境里搞就行了。