【琐碎】查看tensorflow安装版本、位置信息及是GPU版本还是CPU版本

Ubuntu 16.04 下 TensorFlow 1.15 稳定部署全指南 TensorFlow 是 Google 开源的主流深度学习框架,其版本兼容性高度依赖底层系统环境。在 Ubuntu 16.04 这类长期稳定但已停止官方支持的发行版中,TensorFlow 1.15 成为唯一兼顾 Python 3.5、CUDA 10.0 和 glibc 2.23 兼容性的生产级版本。其核心原理在于 ABI 级别对齐:GCC 5.4.0 编译链、libstdc++ 符号版本、manylinux2010 轮子规范共同构成运行基础。技术价值体现在边缘设备、旧服务器及教学实验场景中实现‘能用、稳用 阅读详情

tensorflow的安装版本和安装位置

import tensorflow as tf
# 查看安装的tensorflow的版本
print(tf.__version__)
# 查看安装的tensorflow所在的位置信息
print(tf.__path__)

输出结果

2.3.0
['E:\\apps\\Anaconda3\\envs\\dome\\lib\\site-packages\\tensorflow', 'E:\\apps\\Anaconda3\\envs\\dome\\lib\\site-packages\\tensorflow_estimator\\python\\estimator\\api\\_v2', 'E:\\apps\\Anaconda3\\envs\\dome\\lib\\site-packages\\tensorboard\\summary\\_tf', 'E:\\apps\\Anaconda3\\envs\\dome\\lib\\site-packages\\tensorflow', 'E:\\apps\\Anaconda3\\envs\\dome\\lib\\site-packages\\tensorflow\\_api\\v2']

查看tensorflow所有的设备信息

import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"

if __name__ == "__main__":
    rs=device_lib.list_local_devices()
    print(type(rs))
    print(rs)

运行结果

<class 'list'>
[name: "/device:CPU:0"
device_type: "CPU"
memory_limit: 268435456
locality {
}
incarnation: 135652642977311002
, name: "/device:XLA_CPU:0"
device_type: "XLA_CPU"
memory_limit: 17179869184
locality {
}
incarnation: 13620921278231327063
physical_device_desc: "device: XLA_CPU device"
, name: "/device:GPU:0"
device_type: "GPU"
memory_limit: 1408043828
locality {
  bus_id: 1
  links {
  }
}
incarnation: 11405151038649355214
physical_device_desc: "device: 0, name: GeForce MX150, pci bus id: 0000:02:00.0, compute capability: 6.1"
, name: "/device:XLA_GPU:0"
device_type: "XLA_GPU"
memory_limit: 17179869184
locality {
}
incarnation: 6404351628697723856
physical_device_desc: "device: XLA_GPU device"
]

查看Tensorflow-GPU是否可用,可用用于验证tensorflow-gpu是否安装成功

import tensorflow as tf
print(tf.test.is_gpu_available())

输出结果

True

查看GPU设备名

import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)

输出

/device:GPU:0

查看所有GPU信息

from tensorflow.python.client import device_lib
# 列出所有的本地机器设备
local_device_protos = device_lib.list_local_devices()
# 打印
# print(local_device_protos)
# print("------------------")
# 只打印GPU设备
rs=[x for x in local_device_protos if x.device_type.find('GPU')!=-1]
print(rs)

基于YOLOv26的卫星遥感环境监测系统 本文介绍了一个基于YOLOv26的卫星遥感环境监测系统。该系统采用分层架构设计,包含数据采集、预处理、目标检测、图像分析、变化检测等核心模块。技术栈包括YOLOv26、PyTorch、OpenCV等深度学习框架和图像处理工具,以及GDAL、rasterio等地理信息处理库。系统支持获取多种卫星数据源(如Sentinel、Landsat、MODIS)的遥感图像,并进行时间序列分析。通过代码示例展示了数据采集模块的实现,包括卫星图像获取和模拟生成功能。该系统可应用于环境要素检测、变化监测等场景,为环境监测提供智 阅读详情

相关推荐

PR控制以及使用PR控制用于单相离/并网逆变器

最近想学习一下并网逆变器,需要用到PR控制,全网找遍了许多学习资料,终于掌握的差不多了,在此做个记录,以及个人对PR(Proportional Resonant)控制的理解。在去年7月准备电赛的时候偶然看到有几篇讲解数字滤波器,第一次接触传递函数离散化,深刻被数字时代的数字方式折服,改改代码,就可以实现不同的截至频率,甚至不同阶数,而模拟方式还要改元器件。当时就感觉这玩意太他妈牛逼了,很想学懂它,奈何学不会呀。后面全身心做电赛,就忘了这事儿。直至最近学习PR控制,当初的感觉又回来了,一股劲儿吃下来了。

xht2403267701的博客 3万+

anaconda中tensorflow-estimator版本应与tensorflow-gpu版本相同

把tensorflow升级到2.1.0版本是发现import tensorflow as tf出错 发现是anaconda安装的tensorflow-estimator版本是2.2.0,将版本回退到2.1.0后解决了问题

m_zwa的博客 6277

从翼型到湍流:用生活化案例图解空气动力学核心概念(中英双语版)

本文通过飞机机翼、F1赛车、高尔夫球等生活化案例,图解空气动力学核心概念。深入浅出地解释了攻角如何产生升力、边界层与流动分离如何影响阻力、马赫数如何划分速度世界,以及涡流与湍流的特性与应用。文章还介绍了计算流体动力学(CFD)这一现代数字风洞工具,帮助读者直观理解这些塑造现代交通与运动设计的无形之力。

metaverse5vr的博客 477

人工智能 ----- 深度学习篇之tensorflow(1)

深度学习篇之tensorflow 前言 手写数字识别 数据集简介 mnist数据展示 将mnist数据集中第一张图片逐个像素读取放入csv文件 手写数字识别实战 Estimator 常用内置的Estimator简介 tf. estimator.DNNClassifier(深层神经网络算法)介绍 实战代码及其分析 使用tensorboard对过程进行可视化 寻找最优模型

qq_39838607的博客 2102

TMC步进电机驱动stealthChop

经过九九八十一难,芯片手册拜读了好多遍,找了好多资料,问了好多人使用TMC2660驱动步进电机终于成功了。最后的问题居然是硬件把管脚画错了,然后我又没有检查,哭。。。

那可真是太开心了的博客 4491

Shopee 虾皮API接口:商品详情采集的实践

随着电商行业的蓬勃发展,数据采集和分析在商业决策中扮演着越来越重要的角色。Shopee作为东南亚领先的电商平台,拥有大量的商品数据。通过Shopee的API接口,我们可以方便地获取商品详情,为数据分析和市场研究提供有力支持。本文将介绍如何使用Shopee API接口采集商品详情,并分享一些实践技巧。提供了丰富的数据接口,包括商品详情、店铺信息、订单数据等。通过API接口,开发者可以轻松地获取Shopee平台上的数据,进行进一步的处理和分析。Shopee API接口:商品详情采集的实践与技巧。

An4480的博客 1889

TensorFlow

TensorFlow是一个基于数据流编程(dataflow programming)的符号数学系统,被广泛应用于各类机器学习(machine learning)算法的编程实现,其前身是谷歌的神经网络算法库DistBelief 。Tensorflow拥有多层级结构,可部署于各类服务器、PC终端和网页并支持GPU和TPU高性能数值计算,被广泛应用于谷歌内部的产品开发和各领域的科学研究。...

weixin_41924879的博客 1472

从KVM虚拟化到Openstack云化架构综述

目录 摘要 OpenStack的虚拟化技术 OpenStack架构介绍 Nova Swift KeyStone Neutron Glance Cinder Ceilometer Heat 摘要 这两年的工作中,接触到公有云和私有云的项目还不少。起初对于Openstack的了解,仅停留在其几大组件的交互上,如Nova、Neutron、Glance等,以及对各大云厂商功能点上...

liyunpeng229的博客 2051

tensorflow

@tensorflow报错 No module named ‘tensorflow.python.types’ 这是由于tensorflow estimator 与你的tensorflow版本不一致引起的,可以查看你的tensorflow版本,然后 // An highlighted block pip install tensorflow_estimator==1.14 ; 这里要与你的版本对应。即使你安装了estimator,只要版本不对应就会报错 ...

HiMessiah的博客 270

【YOLOv8系列】在Windows上离线搭建YOLOv8运行环境

我们都知道,通过 pip安装YOLOv8是非常方便的,但是有时候网络环境受到限制,比如公司的工作站(无法连接网络)或者机房的教学机器等等,只能通过离线的方式安装YOLOv8;今天就来记录一下离线搭建YOLOv8运行环境的过程。并记录了遇到的问题及解决过程。

AnChenliang_1002的博客 2007

流媒体之LL-HLS 低延时HLS协议

LL-HLS协议通过扩展了HLS协议,为实时直播场景提供了更丰富的功能,如延迟控制、播放列表增量更新、阻止播放列表重新加载等。同时客户端可以更灵活地控制播放列表的加载和播放,以适应各种场景和需求。LL-HLS在直播中的延时可以控制在3s内, 但是即使这样, 还是不如RTMP, RTSP等协议的实时性。

技术控的笔记 3368

tensorflow中出现ImportError: cannot import name ‘trace‘错误解决方法

针对tensorflow中ImportError: cannot import name 'trace'错误的解决方案

weixin_45953051的博客 5685

2018安徽省青少年信息学奥林匹克(AHOI)初中组

12 种合法的排列分别为:1, 3, 2, 4, 2, 3, 1, 4, 3, 1, 4, 2, 3, 2, 4, 1, 1, 3, 4, 2, 2, 3,4,1,1,4,2,3, 2,4,1,3, 4,1,3,2, 4,2,3,1, 1,4,3,2, 2,4,3,1。分为 2 组,一组的队员实力值是{4, 5, 2, 3},一组是{-4, -3, -5},其中最小的组人数为 3,可以发现没有比 3 更优的分法了。[0, 1, 1, 2]同样不是合法的分组方案,因为出现了两个实力值为 1 的选手。

weixin_42358969的博客 1143

基于anaconda虚拟环境的tensorflow(cpu版本)的安装注意事项

。

qq_44949041的博客 3433

蓝牙模块HM-10手册

蓝牙模块HM-10手册,该手册对蓝牙模块HM-10进行了详细的介绍和使用方法以及一些AT指令。

廖雪峰Python教程[完整版]

廖雪峰的python教程整理的,已经排好版了,而且还是完整的,适合小白

anaconda虚拟环境安装tensorflow(cpu版本)

基于anaconda虚拟环境的tensorflow(cpu版本)的安装注意事项 因为tensorflow和pytorch之间不能在一个环境中(还有好多的问题等),所以在安装上述两个神经网络学习工具的时候最好是将它们安装在不同的虚拟环境下,这样分开不会出现谜之错误。本文主要梳理下在anaconda中创建虚拟环境,在虚拟环境中安装tensorflow,在pycharm中引用虚拟环境的方法。 特殊说明:本文中提到的方法均经过试验,试验机器为:ThinkpadE575,amdA12处理器,Windows10系统。

qq_44949041的博客 4969

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

【安装】Tensorflow GPU版本安装笔记

总结下来就是三行命令 在执行下面三行命令之前确保开发机器满足下面的条件 conda install cudatoolkit=10.1 conda install cudnn=7.6.5 pip install tensorflow-gpu==2.3.0 -i https://pypi.douban.com/simple/ 安装环境要求 OS |Ubuntu| 16.04+ | |–|--| |Windows | 7+| macOS| 10.12.6(Sierra)+ Raspbian|9.0+ P

... 346

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

tensorflow-gpu的使用及遇到的各种问题

工欲善必先利其器,tensorflow-gpu用的有多香,安装起来就有多费劲。本文罗列了安装tensorflow遇到的各种问题,包括与CUDA、cuDNN的版本问题、安装问题、环境配置。也包括了一些具体报错的解决办法。最终总结了一些安装经验。

learn_python_的博客 2092

TensorFlow-GPU 2.5安装全流程指南

详细讲解如何配置Anaconda环境,安装适配的CUDA Toolkit 11.2与cuDNN 8.1+,并成功部署TensorFlow-GPU 2.5的过程,解决常见DLL缺失问题,确保GPU可用性测试通过。

weixin_33610780的博客 1021

通过撰写PyTorch安装教程GPU对比文章突出TensorFlow优势

TensorFlow 2.9 GPU镜像通过容器化封装,解决了深度学习环境配置复杂、难以复现的问题。集成CUDA、cuDNN、Jupyter等组件,实现跨平台一致性,支持一键部署与GPU透明调用,显著提升团队协作效率与生产稳定性,是面向企业级AI开发的可靠基础。

weixin_42514540的博客 652

Windows玩转TensorFlow:云端GPU方案,告别CUDA噩梦

本文介绍了基于“星图GPU”平台,如何自动化部署TensorFlow-v2.15镜像,实现开箱即用的AI开发环境。该方案有效规避了Windows系统下CUDA配置难题,用户可快速启动云端GPU实例,进行模型微调、图像分类等典型深度学习任务,大幅提升开发效率。

LapisLion88的博客 937

Windows10下用VSCode玩转TensorFlow GPU版:从虚拟环境配置到避坑指南

本文详细解析了在Windows10系统下,使用VSCode编辑器高效配置TensorFlow GPU开发环境的完整流程。内容涵盖从CUDA、cuDNN版本匹配,到创建Python虚拟环境隔离依赖,再到VSCode中无缝集成与调试的核心步骤,并提供了安装验证、性能优化及常见问题的深度避坑指南,助力开发者快速搭建稳定高效的AI开发工作站。

terraform7cloud的博客 200

win10 配置cuda、cudnn、tensorflow、pytorch过程记录

文章目录资料1.安装cuda2. 安装cudnn 资料 windows下cuda的安装 https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html 1.安装cuda 谷歌搜索:cuda 10.2.141 driver https://developer.nvidia.com/cuda-10.2-download-archive?target_os=Windows&target_arch=x86_64&target_v

枪枪枪的博客 2535

windows系统下踩过的坑(安装tensorflow,caffe,pytorch,keras.........的看过来)吐血。。。

1.tensorflow安装博主先安装了cpu版本的tensorflow,因为本本是A卡,配置不高,装完后跑了一个入门的mnist数据集,此处说明一下:我用的是:tensorflow +python接口,CPU安装挺简单的,pip install 具体步骤不补充可以参考其他博客。但是,当笔者安装GPU模式(专门弄了一套设备)的时候,捣鼓了几天几夜,系统重装了三次,最后发现尼玛tensorflow只...

qq_42474124的博客 1420

一键启动TensorFlow镜像,节省90%环境配置时间

通过预构建的TensorFlow容器镜像,几分钟内即可搭建好支持GPU的深度学习环境,彻底解决CUDA版本冲突、依赖混乱和多机配置不一致问题。结合Docker实现开发、训练到部署的全流程标准化,显著提升团队协作效率与项目可复现性。

weixin_35370061的博客 940

从零开始:使用Docker运行TensorFlow镜像完整流程

通过Docker快速部署TensorFlow环境,解决深度学习中常见的依赖冲突与GPU配置难题。涵盖CPU、Jupyter及GPU镜像的使用方法,结合挂载、资源限制与版本控制等工程实践,实现开发环境的一致性与可复用性,提升团队协作与项目交付效率。

weixin_33363025的博客 1091

使用Docker运行TensorFlow镜像的10个技巧

深度学习项目常因环境不一致导致部署失败,使用Docker运行TensorFlow镜像能有效解决依赖冲突与GPU配置难题。从选择官方镜像、启用GPU支持到容器化部署与安全扫描,掌握这些实用技巧可显著提升开发效率与系统稳定性,实现真正的一次构建、处处运行。

weixin_30798867的博客 924
上一篇: 【字符串】1507. 转变日期格式
下一篇: 【安装】Tensorflow GPU版本安装笔记
菜菜2022
博客等级 码龄9年 67粉丝 1033原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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