转载：在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch

————————————————
版权声明：本文为CSDN博主「hellopbc」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
原文链接：https://blog.csdn.net/qq_37774098/article/details/109895048

在anaconda环境中使用conda命令安装cuda、cudnn、tensorflow（-gpu）、pytorch

结论

• 使用conda虚拟环境
• 使用conda命令安装
• 最重要的是版本关系（python、cuda、cudnn、pytor或者tensorflow框架）的对应。

参考资料

tensorflow2.x安装

理清GPU、CUDA、CUDA Toolkit、cuDNN关系以及下载安装【精华】

nvidia-smi 和 nvcc 结果的版本为何不一致

解释

nvcc(Nvidia CUDA Compiler ):cuda编译器，下载了cuda就包括了nvcc。

cudatoolkit：工具平台

cudnn：工具包

相关命令

查看cudnn版本： cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2（查看cudnn版本）

查看原系统的显卡驱动的方法是在shell中输入： nvidia-smi（原系统安装有cuda toolkit才会有该命令）。可以看到显卡驱动版本及cuda版本。

查看CUDA版本命令：nvcc -V 或nvcc --version或cat /usr/local/cuda/version.txt

【使用conda虚拟环境可以忽略这个cudnn版本查看】

版本关系

显卡驱动：NVIDIA-SMI 450.51.05 Driver Version: 450.51.05

cuda版本（cudaToolkit）：CUDA Version: 11.0

在同一台机器上（即同一个CUDA Driver版本）可以安装多个版本的CUDA（如CUDA 9.0、CUDA 10.1……只需要满足当前CUDA Driver版本支持安装的CUDA版本即可

同一个CUDA 版本支持安装多个版本的cuDNN

cuda（cudaToolkit）与NVIDIA显卡驱动的版本关系

tensorflow最新版本的安装要求

tensorflow-gpu与cuda、cudnn的版本关系

tensorflow和python的版本关系

cudnn与cuda的版本关系

版本选择总结：

• 显卡版本一定不能低，而且支持向后兼容，因此越高越好。nvidia-smi查看Driver Version

• 对于pytorch：

  • 可以进官网的install部分直接确定

• 对于tensorflow：

  • 首先确定tensorflow和python的版本（python3.6支持多数版本，是个不错的选择）

  • 如果需要gpu支持，查看tensorflow对应的tensorflow-gpu所需要的cuda和cudnn版本

实验

创建环境cuda9

conda create -n cuda9 python=3.6

  
  

  
  

安装cudnn=7.6.5版本(cuda在下面pytorch安装中安装了)

conda install cudnn=7.6.5

  
  

  
  

安装pytorch（这个可以进pytorch官网install部分找到命令）

conda install pytorch torchvision torchaudio cudatoolkit=10.1

  
  

  
  

安装tensorflow。

经测试，不指定版本号时安装的是1.14版本，此时要自己再安装对应gpu版本。安装2.x版本时，需要指定具体版本，如果装不成功，可能是版本问题（即python、cuda、cudnn、tensorflow之间的版本问题）或者网络问题。

conda install tensorflow=2.1

  
  

  
  

另外：

• 安装2.x版本时，好像会自动安装GPU版本（有可能是我装了1.x版本gpu的所以自动更新原因，不考究）。具体包是

 tensorflow-gpu                           2.2.0-h0d30ee6_0 --> 2.1.0-h0d30ee6_0

  
  

  
  

• python3.6版本适用多数。

测试：

预期结果就是：都会显示true

# In[]:
import torch
# cpu
print(torch.__version__)
# gpu
print(torch.cuda.is_available())

# In[]:
import tensorflow as tf
# cpu
print(tf.version)
# v1 to test gpu
print(tf.test.is_gpu_available())
# v2 to test gpu
print(tf.config.list_physical_devices(‘GPU’))

# In[]:
import torch
# cpu
print(torch.__version__)
# gpu
print(torch.cuda.is_available())

# In[]:
import tensorflow as tf
# cpu
print(tf.__version__)
# v1 to test gpu
print(tf.test.is_gpu_available())
# v2 to test gpu
print(tf.config.list_physical_devices('GPU'))