说在前面的话:一定要记住,安装前一定要确认好每个软件的版本是否相互支持
GPU加速环境——见博客:
【001】配置深度学习GPU加速环境(win10系统+GPU2080 Ti+NVIDA显卡驱动+CUNA+cuDNN) - BG大龍的博客
参考文献:
1—— CUDA各版本与驱动的对应关系以及tensorflow 各个版本与python\CUDA\cudnn版本对应关系 - 页页读
2—— Tensorflow不同版本要求与CUDA及CUDNN版本对应关系 - LoveWeeknd https://blog.csdn.net/oMoDao1/article/details/83241074
3——安装tensorflow GPU版本–tensorflow-gpu版本与CUDA版本对应关系 - sunmingyang1987的博客 https://blog.csdn.net/sunmingyang1987/article/details/102872658
1、‘版本相互支持’的重要性
1.1——这是CUDA包和显卡驱动的【适配情况】
1.2——这是TensorFlow各版本的适配情况【Windows端】
链接: 在 Windows 环境中从源代码编译 | TensorFlow
这是CPU情况,
这是GPU情况,
另外需要注意,在一个文章中看到,
2、实验环境
【1】
操作系统win10、
Anaconda3.5.1、
Python:可以创建独立环境,一定要适配框架对应的
编译器:Pycharm2019.2
【2】
GPU显卡:NVIDIA RTX 2080 Ti
显卡驱动:441.66版,要和cuda版本适配
CUDA:10.1
cuDNN:7.6
【3】 框架
TensorFlow-gpu,
pytorch-gpu
创建独立环境,
注意版本,和硬件软件之间的兼容关系
TensorFlow-GPU框架
1、TensorFlow虚拟环境
pytorch-GPU框架
下载
官网链接:https://pytorch.org/get-started/locally/
选择适配的,
安装
在anaconda中创建虚拟环境——pip或者conda指令安装——将pytorch配置到pycharm中
测试
Anaconda Prompt——conda activate pytorch——python——import torch
—— torch.cuda.is_available()
返回结果为True,则表示GPU可用
参考文献:
Win10 系统在 Visual Studio 2019 环境下配置 CUDA 10.1 + TensorFlow-GPU 1.14.0 - 半吊子程序员的技术专栏 https://blog.csdn.net/u012319441/article/details/95551632