Tensorflow之环境版本匹配问题

已于 2022-05-09 10:04:39 修改
阅读量1.6w 收藏 126
点赞数 22
分类专栏： # TensorFlow 文章标签： tensorflow python 人工智能
于 2020-07-13 18:32:49 首次发布
本文为博主原创文章，未经博主允许不得转载。
本文链接：https://blog.csdn.net/zong596568821xp/article/details/107322631
版权

相信很多同学在用tensorflow的时候，都被环境折磨得不要不要的…只要有某一个包不匹配，就会出现运行错误……版本高了低了都可能出现问题……（真的是恶心）

1 tensorflow与pip包对应关系

万幸，有人把环境做了一个系统的整理，只需要找到你安装的tensorflow版本，就可以看到你需要匹配的其它包的版本信息

链接是：https://docs.floydhub.com/guides/tensorflow/（链接已失效，未找到更新链接）

比如你要安装tensorflow-1.14，你可以看到其它python包的版本信息如下

absl-py==0.8.0
annoy==1.16.0
args==0.1.0
astor==0.8.0
atari-py==0.2.6
attrs==19.1.0
backcall==0.1.0
bleach==3.0.2
blis==0.2.4
box2d-py==2.3.8
cachetools==3.1.1
certifi==2019.6.16
cffi==1.12.3  (GPU machines)
chardet==3.0.4
click==6.7
clint==0.5.1
cloudpickle==1.2.1  (GPU machines)
cudf-cuda92==0.6.1  (GPU machines)
cuml-cuda92==0.6.1  (GPU machines)
cupy==5.1.0         (GPU machines)
cupy-cuda92==6.3.0  (GPU machines)
cycler==0.10.0
cymem==2.0.2
Cython==0.29.2
cytoolz==0.10.0
decorator==4.3.0
defusedxml==0.5.0   (GPU machines)
dlib==19.17.0
entrypoints==0.2.3
fastrlock==0.4  (GPU machines)
Flask==1.1.0
floyd-cli==0.11.17
funcsigs==1.0.2
future==0.17.1
gast==0.2.2
google-pasta==0.1.7
grpcio==1.23.0
gym==0.14.0
gym-retro==0.7.0
h5py==2.9.0
idna==2.8
imageio==2.5.0
importlib-metadata==0.8
incremental==17.5.0
ipykernel==5.1.0
ipython==7.2.0
ipython-genutils==0.2.0
ipywidgets==7.4.2
itsdangerous==1.1.0
jedi==0.13.2
jellyfish==0.6.1
Jinja2==2.10.1
joblib==0.13.2
json5==0.8.5
jsonschema==3.0.2
jupyter==1.0.0
jupyter-client==5.2.4
jupyter-console==6.0.0
jupyter-core==4.4.0
jupyterlab==1.0.9
jupyterlab-server==1.0.6
kaggle==1.5.5
Keras==2.2.4
Keras-Applications==1.0.8
Keras-Preprocessing==1.1.0
kiwisolver==1.0.1
llvmlite==0.29.0  (GPU machines)
Markdown==3.1.1
MarkupSafe==1.1.0
marshmallow==2.20.2
matplotlib==3.0.2
menpo==0.9.2
mistune==0.8.4
mock==3.0.5
mpmath==1.1.0
murmurhash==1.0.2
nbconvert==5.4.0
nbformat==4.4.0
networkx==2.3
nltk==3.4.5
notebook==5.6.0
numba==0.41.0  (GPU machines)
numpy==1.15.4
nvstrings-cuda92==0.3.0.post1  (GPU machines)
opencv-contrib-python==3.4.0.12
opencv-python==4.1.0.25
pandas==0.23.4
pandocfilters==1.4.2
parso==0.3.1
path.py==11.5.0
pathlib2==2.3.4
pbr==5.4.2
pexpect==4.6.0
pickleshare==0.7.5
Pillow==5.4.0
plac==0.9.6
plotly==4.1.0
preshed==2.0.1
prometheus-client==0.5.0
prompt-toolkit==2.0.7
protobuf==3.9.1
ptyprocess==0.6.0
pyarrow==0.12.1  (GPU machines)
pycparser==2.19  (GPU machines)
pydot==1.4.1
pyemd==0.5.1
pyglet==1.3.2
Pygments==2.3.1
pynvrtc==9.2
PyOpenGL==3.1.0
PyOpenGL-accelerate==3.1.0
pyparsing==2.3.0
Pyphen==0.9.5
pyrsistent==0.15.4
python-dateutil==2.7.5
python-slugify==3.0.3
pytz==2018.7
PyWavelets==1.0.3
PyYAML==3.13
pyzmq==17.1.2
qtconsole==4.4.3
raven==6.10.0
requests==2.22.0
requests-toolbelt==0.9.1
retrowrapper==0.3.0
retrying==1.3.3
scikit-image==0.15.0
scikit-learn==0.20.2
scikit-umfpack==0.3.2
scipy==1.2.0
seaborn==0.9.0
Send2Trash==1.5.0
six==1.12.0
sklearn==0.0
spacy==2.1.8
srsly==0.1.0
sympy==1.3
tabulate==0.8.3
tensorboard==1.14.0
tensorflow==1.14.0
tensorflow-estimator==1.14.0
termcolor==1.1.0
terminado==0.8.1
testpath==0.4.2
text-unidecode==1.2
textacy==0.8.0
tflearn==0.3.2
thinc==7.0.8
toolz==0.10.0
tornado==5.1.1
tqdm==4.35.0
traitlets==4.3.2
urllib3==1.24.3
uWSGI==2.0.18
virtualenv==16.2.0
wasabi==0.2.2
wcwidth==0.1.7
webencodings==0.5.1
Werkzeug==0.15.5
widgetsnbextension==3.4.2
wrapt==1.11.2
xgboost==0.81
zipp==0.3.3  (GPU machines)
zmq==0.0.0

这样我们就可以根据这些信息来安装其它包了，减少入坑次数……

2 tensorflow与keras对应关系

链接：https://docs.floydhub.com/guides/environments/（链接已失效，未找到更新链接）

FrameworkEnv name (--env parameter)DescriptionDocker ImagePackages and Nvidia Settings
TensorFlow 2.2tensorflow-2.2TensorFlow 2.2.0 + Keras 2.3.1 on Python 3.7.floydhub/tensorflowTensorFlow-2.2
TensorFlow 2.1tensorflow-2.1TensorFlow 2.1.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-2.1
TensorFlow 2.0tensorflow-2.0TensorFlow 2.0.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-2.0
TensorFlow 1.15tensorflow-1.15TensorFlow 1.15.0 + Keras 2.3.1 on Python 3.6.floydhub/tensorflowTensorFlow-1.15
TensorFlow 1.14tensorflow-1.14TensorFlow 1.14.0 + Keras 2.2.5 on Python 3.6.floydhub/tensorflowTensorFlow-1.14
TensorFlow 1.13tensorflow-1.13TensorFlow 1.13.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.13
TensorFlow 1.12tensorflow-1.12TensorFlow 1.12.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.12
tensorflow-1.12:py2TensorFlow 1.12.0 + Keras 2.2.4 on Python 2.floydhub/tensorflow
TensorFlow 1.11tensorflow-1.11TensorFlow 1.11.0 + Keras 2.2.4 on Python 3.6.floydhub/tensorflowTensorFlow-1.11
tensorflow-1.11:py2TensorFlow 1.11.0 + Keras 2.2.4 on Python 2.floydhub/tensorflow
TensorFlow 1.10tensorflow-1.10TensorFlow 1.10.0 + Keras 2.2.0 on Python 3.6.floydhub/tensorflowTensorFlow-1.10
tensorflow-1.10:py2TensorFlow 1.10.0 + Keras 2.2.0 on Python 2.floydhub/tensorflow
TensorFlow 1.9tensorflow-1.9TensorFlow 1.9.0 + Keras 2.2.0 on Python 3.6.floydhub/tensorflowTensorFlow-1.9
tensorflow-1.9:py2TensorFlow 1.9.0 + Keras 2.2.0 on Python 2.floydhub/tensorflow
TensorFlow 1.8tensorflow-1.8TensorFlow 1.8.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.8
tensorflow-1.8:py2TensorFlow 1.8.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.7tensorflow-1.7TensorFlow 1.7.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.7
tensorflow-1.7:py2TensorFlow 1.7.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.5tensorflow-1.5TensorFlow 1.5.0 + Keras 2.1.6 on Python 3.6.floydhub/tensorflowTensorFlow-1.5
tensorflow-1.5:py2TensorFlow 1.5.0 + Keras 2.1.6 on Python 2.floydhub/tensorflow
TensorFlow 1.4tensorflow-1.4TensorFlow 1.4.0 + Keras 2.0.8 on Python 3.6.floydhub/tensorflow
tensorflow-1.4:py2TensorFlow 1.4.0 + Keras 2.0.8 on Python 2.floydhub/tensorflow
TensorFlow 1.3tensorflow-1.3TensorFlow 1.3.0 + Keras 2.0.6 on Python 3.6.floydhub/tensorflow
tensorflow-1.3:py2TensorFlow 1.3.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.2tensorflow-1.2TensorFlow 1.2.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow-1.2:py2TensorFlow 1.2.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.1tensorflowTensorFlow 1.1.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow:py2TensorFlow 1.1.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 1.0tensorflow-1.0TensorFlow 1.0.0 + Keras 2.0.6 on Python 3.5.floydhub/tensorflow
tensorflow-1.0:py2TensorFlow 1.0.0 + Keras 2.0.6 on Python 2.floydhub/tensorflow
TensorFlow 0.12tensorflow-0.12TensorFlow 0.12.1 + Keras 1.2.2 on Python 3.5.floydhub/tensorflow
tensorflow-0.12:py2TensorFlow 0.12.1 + Keras 1.2.2 on Python 2.floydhub/tensorflow
PyTorch 1.5pytorch-1.5PyTorch 1.5.0 + fastai 1.0.61 on Python 3.7.floydhub/pytorchPyTorch-1.5
PyTorch 1.4pytorch-1.4PyTorch 1.4.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.4
PyTorch 1.3pytorch-1.3PyTorch 1.3.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.3
PyTorch 1.2pytorch-1.2PyTorch 1.2.0 + fastai 1.0.60 on Python 3.6.floydhub/pytorchPyTorch-1.2
PyTorch 1.1pytorch-1.1PyTorch 1.1.0 + fastai 1.0.57 on Python 3.6.floydhub/pytorchPyTorch-1.1
PyTorch 1.0pytorch-1.0PyTorch 1.0.0 + fastai 1.0.51 on Python 3.6.floydhub/pytorchPyTorch-1.0
pytorch-1.0:py2PyTorch 1.0.0 on Python 2.floydhub/pytorch
PyTorch 0.4pytorch-0.4PyTorch 0.4.1 on Python 3.6.floydhub/pytorchPyTorch-0.4
pytorch-0.4:py2PyTorch 0.4.1 on Python 2.floydhub/pytorch
PyTorch 0.3pytorch-0.3PyTorch 0.3.1 on Python 3.6.floydhub/pytorchPyTorch-0.3
pytorch-0.3:py2PyTorch 0.3.1 on Python 2.floydhub/pytorch
PyTorch 0.2pytorch-0.2PyTorch 0.2.0 on Python 3.5floydhub/pytorch
pytorch-0.2:py2PyTorch 0.2.0 on Python 2.floydhub/pytorch
PyTorch 0.1pytorch-0.1PyTorch 0.1.12 on Python 3.floydhub/pytorch
pytorch-0.1:py2PyTorch 0.1.12 on Python 2.floydhub/pytorch
Theano 0.9theano-0.9Theano rel-0.8.2 + Keras 2.0.3 on Python3.5.floydhub/theano
theano-0.9:py2Theano rel-0.8.2 + Keras 2.0.3 on Python2.floydhub/theano
CaffecaffeCaffe rc4 on Python3.5.floydhub/caffe
caffe:py2Caffe rc4 on Python2.floydhub/caffe
TorchtorchTorch 7 with Python 3 env.floydhub/torch
torch:py2Torch 7 with Python 2 env.floydhub/torch
Chainer 1.23chainer-1.23Chainer 1.23.0 on Python 3.floydhub/chainer
chainer-1.23:py2Chainer 1.23.0 on Python 2.floydhub/chainer
Chainer 2.0chainer-2.0Chainer 1.23.0 on Python 3.floydhub/chainer
chainer-2.0:py2Chainer 1.23.0 on Python 2.floydhub/chainer
MxNet 1.0mxnetMxNet 1.0.0 on Python 3.6.floydhub/mxnet
mxnet:py2MxNet 1.0.0 on Python 2.floydhub/mxnet
tensorflow numpy版本匹配_在Matlab中使用tensorflow （1）
weixin_35701203的博客
01-22 304
为了在matlab中利用丰富的python开源资源，探索了如下内容：1）在matlab中直接调用tensorflow函数；2）在matlab中调用tensorflow的python程序，结合matlab方便的数据处理功能；本篇对内容1)进行描述，工作环境为win10 64位系统，python 3.6，tensorflow 1.1，matlab 2018b。为了实现在matlab中直接调用tenso...
Tensorflow、Pytorch与Python、CUDA版本的对应关系（更新时间：2025年4月）
最新发布
04-05 1737
20250405。
tensorflow版本问题
qq_40228031的博客
12-12 249
tensorflow版本问题（1版本和2版本语句不兼容） 当我们在tensorflow2.0版本上写的语句是1.0的格式时，可能会报错。这时只修改两条语句，就可以覆盖全部语句，不需要再担心。 把 import tensorflow as tf 改成 import tensorflow.compat.v1 as tf tf.disable_v2_behavior() 这样就可以了 ：） ...
tensorflow2.X, TensorFlow Addons 版本的匹配选择
chenhepg的博客
09-27 6736
tensorflow, keras, tensorflow addons, python版本匹配选择
tensorflow 版本的问题
liuxiangxxl的博客
12-25 884
Failed to get convolution algorithm. This is probably because cuDNN failed to initialize  电脑GPU下跑算法时出现上述问题，经过百度发现是装的tensorfow的版本问题 本机装的tensorflow为1.12的版本 目前版本的TensorFlow的ObjectDection中，使用tensorflow-...
TensorFlow版本配套关系表.zip_tensorflow_使用TensorFlow时的版本匹配
09-15
在实际开发中，开发者通常会利用虚拟环境（如Anaconda的conda环境或Python的venv）来隔离不同项目的依赖，这样可以确保每个项目都有一个独立且精确匹配的环境，避免版本冲突。 最后，对于大型项目，推荐使用版本...
关于pytorch、TensorFlow、cuda版本匹配问题
岁寒良木的博客
12-29 2234
importError: Could not find 'cudart64_100.dll'
关于安装keras的过程以及tensorflow与keras版本匹配
jinzi_a的博客
07-17 1799
关于安装keras的过程以及tensorflow与keras版本匹配 之前安装了tensorflow,最近想跑下程序，需要安装keras，Keras是一个由Python编写的开源人工神经网络库，可以作为Tensorflow、Microsoft-CNTK和Theano的高阶应用程序接口。看了一些博客，安装了Theano，绕了远路，卸载后重新安装。 作为小白，上来就犯了个错误，我没有在tensorflow环境下安装keras,再次卸载。 然后我激活tensorflow，又出错了，应该是激活tensorflow
Windows10搭建tensorflow-GPU环境的版本对照问题
wei190328的博客
07-12 520
简述tensorflow-gpu环境搭建时版本对照的问题
TensorFlow2.3.0和cuda10.2的匹配问题
m0_49571149的博客
02-16 934
运行代码。
Tensorflow与Python、CUDA、cuDNN的版本对应表
热门推荐
发布工作学习过程中遇到的问题和解决方案
05-02 22万+
TensorFlow​经过测试的构建配置官网说明
TensorFlow版本匹配查询与安装测试
雪剑封心
01-13 520
TensorFlow：cuda python GPU 版本查询。
tensorflow版本错误
weixin_43832292的博客
03-02 365
由于版本问题，一些名称修改： tf.scalar_summary(‘images’, images)改为：tf.summary.scalar(‘images’, images) tf.image_summary(‘images’, images)改为：tf.summary.image(‘images’, images) tf.train.SummaryWriter改为：tf.summary.Fil...
Tensorflow卸载安装，和各安装包版本匹配
HCHHC的博客
06-03 3594
Tensorflow卸载安装，和各安装包版本匹配 一、Tensorflow卸载 1.前提 由于网上很多神经网络的学习代码都是在1.X版本下运行的，2.X版本会报错。由于无法最终调试成功，所以卸载2.5.0版本的，转而安装1.5.0版本 2.卸载时遇到的问题 使用Anaconda Prompt输入命令pip uninstall tensorflow卸载，但总是会报错：无法访问 3.卸载方法 由于无法妥善解决该问题，故选择卸载高版本的Python3.8.6，安装Python3.6.0，安装方法可参考http
【TensorFlow | TensorBoard】理解 TensorBoard
Alan Lee
08-20 4万+
TensorBoard 是用于可视化 TensorFlow 模型的训练过程的工具（the flow of tensors），在你安装 TensorFlow 的时候就已经安装了 TensorBoard。我在前面的 【TensorFlow】TensorFlow 的卷积神经网络 CNN - TensorBoard版 和 【Python | TensorBoard】用 PCA 可视化 MNIST 手写数字识
tensorflow：版本带来的问题
AIBAIKE的博客
02-11 439
module 'tensorflow' has no attribute 'image_summary'或者“sub”,大多是因为版本问题导致，有些旧版本的函数名称已被改变，可以直接在网上查找对应的正确的形式。...
可视化查看events.out.tfevents文件（tensorflow和tensorboard版本匹配）
Berberer的博客
03-28 1482
通过Tensorboard可视化查看训练过程中的损失函数变化或者模型的结构
TensorFlow 的GPU版本
04-03
### 安装和配置 TensorFlow GPU 版本 #### 1. 确认硬件需求 为了成功安装并运行 TensorFlow 的 GPU 版本，需要确认计算机具备 NVIDIA 显卡以及支持 CUDA 计算能力的驱动程序。通常建议显卡计算能力至少达到 3.5 或更高版本[^1]。 #### 2. 配置环境依赖项 在安装 TensorFlow-GPU 前，需先安装对应的 CUDA 和 cuDNN 库。这些库提供了必要的底层接口来加速深度学习模型训练中的矩阵运算。具体操作如下： - **CUDA Toolkit**: 下载与目标 TensorFlow 版本兼容的 CUDA 工具包。例如，对于 TensorFlow 2.x 版本，可能需要 CUDA 10.1 或更新版本[^4]。 - **cuDNN SDK**: 同样地，下载匹配当前 CUDA 版本的 cuDNN 软件开发工具包，并将其解压至指定路径下以便系统能够识别加载该动态链接库文件。 完成上述两步后，请确保已将 `PATH` 变量设置为包含新安装好的 CUDA bin 文件夹位置；同时也要把 cuDNN lib 子目录加入到 LD_LIBRARY_PATH 中去（Linux/MacOS），或者通过编辑系统的 PATH 来实现这一点 (Windows)[^4]。 #### 3. 创建 Python 虚拟环境 推荐使用 Conda 或者 Virtualenv 构建独立的工作区以隔离不同项目之间的依赖冲突问题。这里我们采用 Anaconda/Miniconda 方式为例说明如何新建名为 "tf_gpu_env" 的专属虚拟空间及其后续激活步骤: ```bash # 使用 conda 创建新的 python 环境, 并命名为 tf_gpu_env conda create --name tf_gpu_env python=3.8 # 激活刚刚创建出来的这个特定用途的新环境 conda activate tf_gpu_env ``` #### 4. 安装 TensorFlow GPU 版本及相关依赖 进入刚才建立起来的那个专门用于处理 Tensorflow 相关工作的环境中之后，执行下面这条 pip install 命令即可顺利完成整个流程当中的最后一步——即真正意义上的引入官方发行版里的那个针对图形处理器优化过的变体形式(tensorflow-gpu): ```bash pip install tensorflow-gpu==<version> ``` 注意替换 `<version>` 成实际所需的稳定发布号，比如目前最新的可能是类似于 '2.9' 这样的数值。 另外还可以考虑额外增加一些辅助性的扩展模块进来提升用户体验度或者是简化某些复杂场景下的编程工作负担，像 NumPy 数组管理功能增强插件等等都可以在此阶段一并解决掉: ```bash pip install numpy matplotlib ipykernel jupyterlab scikit-learn pandas seaborn opencv-python-headless keras-preprocessing h5py pydot graphviz tensorboard-plugin-profile albumentations imgaug efficientnet plotly bokeh holoviews datashader geopandas folium shap statsmodels yellowbrick imbalanced-learn category_encoders featuretools optuna ray dask mlflow watermark memory_profiler line_profiler gprof2dot snakeviz black isort yapf pylint mypy nbstripout pre-commit git-lfs fastapi uvicorn aiofiles starlette requests pillow tqdm beautifulsoup4 lxml html5lib cssselect scrapy selenium webdriver-manager boto3 google-cloud-storage azure-storage-blob s3fs pyspark spark-nlp transformers datasets allennlp flair spacy gensim nltk textblob vadersentiment bertopic sentence-transformers umap-learn hdbscan sklearn-decomposition cuml rapids-cuml modin-dask etc. ``` 以上列举了一些常见的机器学习框架、数据科学工具集以及其他实用型第三方库列表供参考选用[^2]。 #### 5. 测试安装是否成功 切换回之前所提到的那个专门为本次实验准备出来的小天地里头去吧! 接下来就让我们一起来验证一下前面辛苦搭建的一切成果到底有没有白费力气咯? 执行下列简单的几行代码片段就能够快速得到答案啦! ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) ``` 如果一切正常的话，则应该可以看到类似这样的输出结果展示在屏幕上:"Num GPUs Available: X",其中X代表检测发现的实际可用物理设备数量[^3]。 --- ###
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

宗而研之

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值