TensorFlow：判断CUDA和GPU是否可用

最新推荐文章于 2024-07-01 22:10:57 发布
最新推荐文章于 2024-07-01 22:10:57 发布
阅读量950 收藏 1
点赞数
CC 4.0 BY-SA版权
分类专栏： tensorflow 文章标签： tensorflow 深度学习
原文链接：https://blog.youkuaiyun.com/qq_45616304/article/details/112758607
该博客介绍了如何使用Python的TensorFlow库来检查安装的版本，并判断系统是否支持CUDA和GPU。通过`print(tf.__version__)`可以获取TensorFlow的版本信息，而`tf.test.is_built_with_cuda()`用于确认库是否在CUDA环境下构建。此外，`tf.test.is_gpu_available()`函数则用于检测GPU是否可用，返回结果分别对应GPU的可用性和不可用性状态。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

查看tf版本

print(tf.__version__)

判断CUDA是否可用：

tf.test.is_built_with_cuda()

判断GPU是否可用： 

tf.test.is_gpu_available(cuda_only=False, min_cuda_compute_capability=None)

可用时：

不可用时：

Win11极速安装Tensorflow-gpu+CUDA+cudnn(含视频)
weixin_46713695的博客
12-16 1万+
Win11极速安装Tensorflow-gpu+CUDA+cudnn(含视频链接)
tensorflow1.12支持cuda10
01-11
自编译tensorflow： 1.python3.5,tensorflow1.12; 2.支持cuda10.0,cudnn7.3.1,TensorRT-5.0.2.6-cuda10.0-cudnn7.3; 3.无mkl支持; 软硬件硬件环境：Ubuntu16.04,GeForce GTX 1080 TI 配置信息： hp@dla:~/work/ts_compile/tensorflow$ ./configure WARNING: --batch mode is deprecated. Please instead explicitly shut down your Bazel server using the command "bazel shutdown". You have bazel 0.19.1 installed. Please specify the location of python. [Default is /usr/bin/python]: /usr/bin/python3 Found possible Python library paths: /usr/local/lib/python3.5/dist-packages /usr/lib/python3/dist-packages Please input the desired Python library path to use. Default is [/usr/local/lib/python3.5/dist-packages] Do you wish to build TensorFlow with XLA JIT support? [Y/n]: XLA JIT support will be enabled for TensorFlow. Do you wish to build TensorFlow with OpenCL SYCL support? [y/N]: No OpenCL SYCL support will be enabled for TensorFlow. Do you wish to build TensorFlow with ROCm support? [y/N]: No ROCm support will be enabled for TensorFlow. Do you wish to build TensorFlow with CUDA support? [y/N]: y CUDA support will be enabled for TensorFlow. Please specify the CUDA SDK version you want to use. [Leave empty to default to CUDA 10.0]: Please specify the location where CUDA 10.0 toolkit is installed. Refer to README.md for more details. [Default is /usr/local/cuda]: /usr/local/cuda-10.0 Please specify the cuDNN version you want to use. [Leave empty to default to cuDNN 7]: 7.3.1 Please specify the location where cuDNN 7 library is installed. Refer to README.md for more details. [Default is /usr/local/cuda-10.0]: Do you wish to build TensorFlow with TensorRT support? [y/N]: y TensorRT support will be enabled for TensorFlow. Please specify the location where TensorRT is installed. [Default is /usr/lib/x86_64-linux-gnu]://home/hp/bin/TensorRT-5.0.2.6-cuda10.0-cudnn7.3/targets/x86_64-linux-gnu Please specify the locally installed NCCL version you want to use. [Default is to use https://github.com/nvidia/nccl]: Please specify a list of comma-separated Cuda compute capabilities you want to build with. You can find the compute capability of your device at: https://developer.nvidia.com/cuda-gpus. Please note that each additional compute capability significantly increases your build time and binary size. [Default is: 6.1,6.1,6.1]: Do you want to use clang as CUDA compiler? [y/N]: nvcc will be used as CUDA compiler. Please specify which gcc should be used by nvcc as the host compiler. [Default is /usr/bin/gcc]: Do you wish to build TensorFlow with MPI support? [y/N]: No MPI support will be enabled for TensorFlow. Please specify optimization flags to use during compilation when bazel option "--config=opt" is specified [Default is -march=native -Wno-sign-compare]: Would you like to interactively configure ./WORKSPACE for Android builds? [y/N]: Not configuring the WORKSPACE for Android builds. Preconfigured Bazel build configs. You can use any of the below by adding "--config=" to your build command. See .bazelrc for more details. --config=mkl # Build with MKL support. --config=monolithic # Config for mostly static monolithic build. --config=gdr # Build with GDR support. --config=verbs # Build with libverbs support. --config=ngraph # Build with Intel nGraph support. --config=dynamic_kernels # (Experimental) Build kernels into separate shared objects. Preconfigured Bazel build configs to DISABLE default on features: --config=noaws # Disable AWS S3 filesystem support. --config=nogcp # Disable GCP support. --config=nohdfs # Disable HDFS support. --config=noignite # Disable Apacha Ignite support. --config=nokafka # Disable Apache Kafka support. --config=nonccl # Disable NVIDIA NCCL support. Configuration finished 编译： bazel build --config=opt --verbose_failures //tensorflow/tools/pip_package:build_pip_package 卸载已有tensorflow： hp@dla:~/temp$ sudo pip3 uninstall tensorflow 安装自己编译的成果： hp@dla:~/temp$ sudo pip3 install tensorflow-1.12.0-cp35-cp35m-linux_x86_64.whl
pytorch/tensorflow 查看 cuda 是否可用
weixin_43742643的博客
11-10 4748
pytorch import torch torch.cuda.is_available() tensorflow import tensorflow as tf tf.test.is_gpu_available()
tensorflow 测试 cuda 是否安装成功，测试代码环境
DongHappyyy
07-03 2634
import tensorflow as tf sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))
Tensorflow 、Pytorch测试GPU、CUDA是否可用
excelNo1的博客
05-31 2998
Tensorflow 测试GPU是否可用 1.打开Anconda Prompt进入环境 conda activate tf //激活环境名为tf的环境 2.输入python，进入python 3.输入测试代码 import tensorflow as tf print(tf.test.is_gpu_available()) 4.打印结果 True //表示GPU可用 False//表示GPU不可用，需要排查原因 5.测试CUDA 是否可用 import tensorflow as tf tf.te
判断tensorflow-gpu是否调用
weixin_41829883的博客
04-07 1777
import tensorflow as tf a = tf.test.is_built_with_cuda() # 判断CUDA是否可以用 b = tf.test.is_gpu_available( cuda_only=False, min_cuda_compute_capability=None ) # 判断GPU是否可以用 print(a) print(b) WARNING:tensorflow:From <i
tensorflow:指定gpu 限制使用量百分比,设置最小使用量的实现
09-18
当 `allow_growth` 设置为True时，TensorFlow会在运行过程中按需增长GPU内存分配，而不是一次性分配所有可用内存。这种方式有助于避免内存浪费，并允许同时运行多个TensorFlow会话，每个会话都能根据自身需求动态...
教程-Ubuntu-18.04-安装Nvidia驱动程序和CUDA和CUDNN并构建用于gpu的Tensorflow：Ubuntu 18.04如何安装Nvidia驱动程序+ CUDA + CUDNN +为gpu逐步构建tensorflow命令线
02-06
在本教程中，我们将深入探讨如何在Ubuntu 18.04操作系统上安装Nvidia驱动程序、CUDA工具包以及CUDNN库，并进一步构建适用于GPU的TensorFlow环境。这是一个涉及多步骤的过程，需要对Linux系统、编译工具和深度学习...
tensorflow安装教程(GPU版本 Win11 anaconda tensorflow2.9 python3.8 cuda11.2)
zqt14t的博客
07-01 3999
联想拯救者Y7000P 显卡：英伟达4060 系统：Win11。
超级详细tensorflow-gpu安装和检测，CUDA与CUDNN的安装方法
lzqccc的博客
09-06 7172
整整折腾了两天，终于可以用GPU跑数据了！和分享一下怎么安装适配自己GPU的CUDA和CUDNN 一．Anaconda的安装（不想装anaconda的可以省略这步） 首先官网下载anaconda（https://www.anaconda.com） 安装时记得勾选环境变量（第一个记得勾选） 然后，下一步，安装完成！！ 二．CUDA与CUDNN的安装（此步骤必须是电脑有英...
tensorflow2.x版本无法调用gpu的一种解决方法
scrence的博客
05-24 9727
最近学校给了一个服务器账号用来训练神经网络使用，服务器本身配置是十路titan V，然后在上面装了tensorflow2.2，对应的python版本是3.6.2，装好之后用tf.test.is_gpu_available()查看是否能调用gpu，结果返回结果是false，具体如下： 这里tensorflow应该是检测出了gpu，但是因为某些库无法打开而导致tensorflow无法调用，返回了false，详细查看错误信息可以看到一行： 可以看到上面几个文件都顺利打开了，但是最后一个libcudnn.so.
pytorch和TensorFlow 的学习安装，判断GPU是否可用
qq_34144750的博客
09-01 283
验证cuda是否可用以及版本号，发现和本地的版本不一致，会导致不可用，重新下拉镜像。#返回gpu名字，设备索引默认从0开始；#cuda是否可用；
tensorflow-gpu安装成功！【亲测有效】
虚竹
09-29 692
简介：本文力求简洁的介绍tensorflow-gpu版本如何安装。
cuda11: tensorflow is_gpu_available总是False, Could not load dynamic library libcudart.so.10.0
GungnirsPledge的博客
08-31 2766
https://blog.youkuaiyun.com/u012388993/article/details/102573117 https://www.cnblogs.com/sddai/p/11135941.html https://blog.youkuaiyun.com/roxxo/article/details/105138007
gpu tensorflow 怎么看是否安装成功_手把手教你：Windows系统上安装GPU深度学习环境...
weixin_39976951的博客
11-21 1238
前言在入手学习深度学习的过程当中，有好几个朋友都咨询过我如何安装深度学习环境，之前写过一篇在Ubuntu环境下安装深度学习环境，但是有部分朋友在Windows电脑上安装深度学习环境遇到过许多的问题，所以我就再写一篇Windows系统上安装GPU深度学习环境的教程，希望对刚刚入手深度学习的朋友有所帮助:)PS:不需要自己手动安装CUDA和cuDNN（安装这两样东西属实要劝退不少朋友），网上许多的博客...
TensorFlow-GPU无法使用GPU的问题解决
u013557353的博客
04-22 2279
最初使用 conda install tensorflow-gpu 成功安装之后， tf.test.is_gpu_available() 总是显示False cuda、cudnn已安装对应版本，驱动满足要求 完全删除之前的TensorFlow环境之后，重新使用pip安装tensorflow-gpu即可 仅供参考 ...
gpu tensorflow 怎么看是否安装成功_如何检验 tensorflow-gpu 安装成功 ？
weixin_39525933的博客
11-23 1408
编写 demo.pyimport tensorflow as tf sess = tf.Session(config=tf.ConfigProto(log_device_placement=True)) 查看日志信息若包含gpu信息，就是使用了gpu。其他方法：跑计算量大的代码，通过 nvidia-smi 命令查看gpu的内存使用量。执行 demo.py执行方式1：在 python-IDLE 中打...
TensorFlow version: 2.19.0 GPU 不可用
最新发布
06-06
### TensorFlow 2.19.0 GPU不可用的原因分析 TensorFlow 2.19.0 在 GPU 不可用的情况下，可能涉及多个层面的问题，包括但不限于驱动程序、CUDA 和 cuDNN 的版本兼容性、环境变量配置以及硬件支持等。以下是详细的原因分析： #### 1. 驱动程序版本不匹配 NVIDIA 显卡驱动程序需要与 CUDA 工具包版本保持一致。如果驱动程序版本过低或过高，可能会导致 TensorFlow 无法检测到 GPU[^4]。例如，TensorFlow 2.19 要求使用 CUDA 11.8，因此必须确保安装了支持 CUDA 11.8 的 NVIDIA 驱动程序。 #### 2. CUDA 和 cuDNN 版本不兼容 TensorFlow 对 CUDA 和 cuDNN 的版本有明确要求。如果安装的 CUDA 或 cuDNN 版本与 TensorFlow 不兼容，可能会导致 GPU 检测失败。对于 TensorFlow 2.19，建议使用 CUDA 11.8 和 cuDNN 8.x[^4]。可以通过以下命令检查已安装的 CUDA 和 cuDNN 版本： ```bash nvcc --version cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2 ``` #### 3. 环境变量未正确配置 CUDA 和 cuDNN 的路径需要正确添加到系统的环境变量中。如果路径配置错误，TensorFlow 可能无法找到这些库，从而无法检测到 GPU。可以通过以下命令检查路径是否正确： ```bash echo $LD_LIBRARY_PATH ``` 确保输出中包含 CUDA 和 cuDNN 的安装路径[^3]。 #### 4. TensorFlow 版本问题 在 TensorFlow 2.x 中，`tf.test.is_gpu_available()` 方法已被废弃，推荐使用 `tf.config.list_physical_devices('GPU')` 来检测 GPU 是否可用[^2]。如果仍然使用旧方法，可能会导致误判。 #### 5. 多 GPU 环境中的冲突 在多 GPU 环境中，可能存在设备冲突或资源分配问题。可以通过以下代码检查所有可用的 GPU 设备： ```python import tensorflow as tf gpus = tf.config.experimental.list_physical_devices('GPU') print("Num GPUs Available: ", len(gpus)) ``` 如果输出为 `0`，则说明 TensorFlow 未能检测到任何 GPU。 #### 6. 虚拟化环境限制 在虚拟化环境中（如 WSL 或 Docker），可能需要额外配置才能使 GPU 可用。例如，在 WSL2 上使用 GPU 时，需要安装 NVIDIA 的 WSL 驱动程序并启用 CUDA 支持[^1]。 #### 7. 硬件兼容性问题 部分显卡可能不被 TensorFlow 支持，尤其是较旧或较新的显卡型号。可以参考 NVIDIA 官方文档确认显卡是否支持所需的 CUDA 版本。 --- ### 示例代码：验证 GPU 可用性 以下代码可用于验证 TensorFlow 是否能够正确检测到 GPU： ```python import tensorflow as tf # 打印 TensorFlow 版本 print("TensorFlow version:", tf.__version__) # 检查 GPU 是否可用 gpus = tf.config.experimental.list_physical_devices('GPU') if gpus: print("GPU 可用") for gpu in gpus: print("Device Name:", gpu.name) else: print("GPU 不可用") ``` --- ###
评论
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