tensorflow2.2 配置cuda10.2 win10

最新推荐文章于 2022-07-11 18:31:55 发布
原创 最新推荐文章于 2022-07-11 18:31:55 发布 · 3.3k 阅读 · 6 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#tensorflow #cuda #windows

本文介绍在Windows 10环境下，TensorFlow GPU版本与CUDA 10.2之间的兼容性问题。当使用CUDA 10.2时，TensorFlow可能会报错，文章提供了解决方案：通过复制并重命名cudart64_102.dll为cudart64_101.dll来匹配TensorFlow的要求。

目前tensorflow的gpu版本推荐的cuda都是10.1的，在windows10上装了cuda10.2，tf还是报错，linux平台下网上提供的解决方案是建立软链接，在windows下需要把cuda安装目录下的cudart64_102.dll复制一份重命名为cudart64_101.dll，具体目录是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin\cudart64_101.dll，这个根据个人电脑安装可能有不同

tensorflow2.2.0GPU版本+CUDA+cudnn安装+配置防坑指南
cyj5201314的博客
04-05 4141
在委屈求全使用了一段时间的cpu版的tf之后，终于在今天下定决心安装配置GPU版的tf，安装+配置大概用了两个小时，下面记录一下安装过程和爬坑技巧，防止大家踩坑 1.首先安装显卡驱动 以防万一，无论设备原先是否安装过显卡驱动都重新安装或更新一下 附上官网链接 https://www.nvidia.cn/geforce/drivers/ 选择手动搜索显卡驱动 作者的辣鸡显卡是GTX1050Ti，大家按照自己的显卡搜索对应的驱动 根据作者的经验，选择一个发行日期不太新也不太旧的版本下载，下载完以后一.
cuda10.2 cudnn7.6 TensorFlow-gpu2.2.0遇到的坑
gg5358979的博客
02-04 2047
（纯纯小白的新手历程） 记录一下cuda cudnn TensorFlow遇到的坑 起因是想把一个用cpu跑的TensorFlow改成gpu。 说是TensorFlow 2.0往上就不用区分cpu gpu了，结果亲测不行，最后还是pip tensorflow-gpu=2.2.0了 cuda的版本，很多教程说让要看先显卡信息，其实这里是最高可支持的，比这个低的也可以，最好不要用最新版本 的。。。 cudart64_101 找不到这个的话，参考一个博主的做法（https://blog.csdn.ne
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
win10安装cuda10.2+tensorflow 1.14.0
耶律大石的博客
08-27 5460
背景 最近为了跑yolov5，我要安装pytorch，然后将cuda 10.0升级到了cuda10.2.pytorch是没问题了，但是我再运行我的yolo v4（tensorflow框架）代码时发现运行不了了，提示：cudart64_100.dll找不到，但是我现在是cuda 10.2了，他还在找cuda10.0。 然后网上各种说cuda 10.2没有对应的tensorflow版本，我就觉得再装回去太麻烦了。下面是我的解决办法。 重新安装tensorflow-GPU步骤 创建环境 conda create
cuda10.2安装GPU的Tensorflow
年少的勇气已经用完，剩下的就是三思而后行
04-26 2658
# 安装 pip install tensorflow-gpu==2.5.0 测试： # 查看tf版本 import tensorflow as tf print(tf.__version__) # 查看主机上运行的设备 import tensorflow as tf gpus = tf.config.experimental.list_physical_devices(device_type='GPU') cpus = tf.config.experimental.list_physical_devi
tensorflow2.2+cuda10.2+keras安装踩坑记录
weixin_44537097的博客
08-05 3038
小白的安装踩坑记录描述问题+解决办法timeout（whl文件下载过程中由于下载速度过慢，飙出一大段红字最后显示timeout）安装cudnn如果不幸装的是cuda10.2版本运行时出现一堆报错最后显示：Adding visible gpu devices: 0版本对应问题分享一点装包的经验 描述 由于当初毕设使用的pytorch，故cuda直接装的最新版10.2（在此建议别装10.2，装其他低版本的如10.0），最近安装tensorflow2.2+keras的时候遇到了各种各样的问题，要是不记录一下感觉坑
Windows下编译带CUDA 10.2的TensorFlow 2.2（Python3.8.2，附编译结果下载）
惠很好的
05-19 4655
官方教程说得基本差不多了，然而在此基础上编译还是会出问题，因此做一些补充。 环境准备 1. Python & Pip 首先是Python需要安装一些包，除了官方说的six、numpy、wheel、keras_applications和keras_preprocessing，还需要setuptools（虽然这是个基础包，但是我习惯用虚拟环境了，忘了装……）。因此安装命令如下： pip install six numpy wheel setuptools pip install keras_a
Win10+Tensorflow2 + CUDA11 GPU环境搭建
qq_42635142的博客
11-27 1万+
Win10+Tensorflow2 + CUDA11 GPU环境搭建 前段时间有个朋友问我，学长发生什么事了，我问怎么回事，给我发了几张截图。我一看，哦，原来是佐田，有一块RTX3090的显卡，显存一个24G，CUDA核心数5248。塔门说跑Tensorflow2练功，结果跑半天不动，学长能不能我用混元功法给治治，我说可以… ...
yolov5 +cuda10.2 +gpu环境搭建 （详细版本）
qq_53357019的博客
07-11 1万+
YOLOv5是一种单阶段目标检测算法，该算法在YOLOv4的基础上添加了一些新的改进思路，使其速度与精度都得到了极大的性能提升。主要的改进思路如下所示：输入端：在模型训练阶段，提出了一些改进思路，主要包括Mosaic数据增强、自适应锚框计算、自适应图片缩放； 基准网络：融合其它检测算法中的一些新思路，主要包括：Focus结构与CSP结构； Neck网络：目标检测网络在BackBone与最后的Head输出层之间往往会插入一些层，Yolov5中添加了FPN+PAN结构； Head输出层：输出层的锚框机制与YOL
Windows下编译带CUDA 11的TensorFlow 2.3（Python3.8.5，cuDNN 8.0.2，附编译结果下载）
惠很好的
09-11 2866
基本参照我的这篇文章：《Windows下编译带CUDA 10.2的TensorFlow 2.2（Python3.8.2，附编译结果下载）》，有些地方有所改动，现列出来： D:\tensorflow-2.3.0>python configure.py You have bazel 3.4.1 installed. Please specify the location of python. [Default is C:\Python38\python.exe]: Found possible P
最新tensorflow-2.2.0源码编译的动态链接库和头文件，cuda10.1加cudnn7.6，bazel-2.0.0
05-22
本资源打包时出错，请移步 https://download.csdn.net/download/djstavaV/12524775，抱歉。
tensorflow-1.12支持cuda10.0
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.支持mkl,无MPI; 软硬件硬件环境：Ubuntu16.04,GeForce GTX 1080 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： hp@dla:~/work/ts_compile/tensorflow$ bazel build --config=opt --config=mkl --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
TensorFlow-GPU==2.2.0 + cuda 10.1
weixin_42973547的博客
09-23 936
安装Tensorflow- GPU ==2.2.0 + cuda 10.1 服务器电脑上安装了cuda 10.1，试了很多版本的tensorflow-gpu，使用下面语句测试调用GPU，发现返回的都是false。 import tensorflow as tf tf.test.is_gpu_available() 原因是tensorflow的版本和cuda 10.1不匹配。 后来pip install tensorflow-gpu==2.2.0发现这个版本的tensorflow是与cuda 10.1是匹配的
关于tensorflow 2.2 使用cuda10.2的相关
Elysion_Daniel的博客
03-30 1033
因为我这边是主要使用pytorch进行工作的，但是现在有个需求需要用tensorflow，已经很久没有用这个的我，有点发愁，应该装什么版本，查了一下，说是2.2和2.3都是支持cuda10.1，但是2.4就是支持11.0了，可我pytorch1.5需要用10.2啊，一番搜索之后，其实很简单，在cuda文件目录下，将两个库建一个链接改为10.1即可 cd /usr/local/cuda/lib64 sudo ln -s libcudart.so.10.2.89 libcudart.so.10.1 sud
CUDA10.2下安装tensorflow-gpu2.0.0版本注意事项
yuanzhen_0128的博客
05-31 1万+
CUDA10.2下安装tensorflow-gpu2.0.0版本注意事项 最近新入手了一台i5-10200U的CPU，有一个极为鸡肋的MX250显卡（2G），且经得起造的ThinkPad T490笔记本电脑，为将来的移动办公做准备。今天突然心血来潮想试试它能不能用cuda的加速，去了NVIDIA的官网查询后，发现这块鸡肋N卡还真的支持cuda加速，就这样花了大半天的时间将cuda安装好后，并进行了一个CNN的网络训练。 一、安装准备 需要在你的NVIDIA控制面板→右下角系统信息→组件，去查看你的NVCUD
tensorflow2.x使用cuda10.2(非常简单)
热门推荐
YouAreLion的博客
06-17 2万+
# 目前tensorflow2.2官方标配cuda10.1，也是官方在github给出方案，修改cuda软链接即可，非常简单。 # 前提是你已经正确安装cuda10.2，检查： nvidia-smi nvcc -V # 干正事（重点就这一步）： cd /usr/local/cuda-10.2/targets/x86_64-linux/lib/ ln -s libcudart.so.10.2.89 libcudart.so.10.1 # 检查是否可用： source /etc/profile >
cuda10.1对应的tensorflow-gpu=2.2.0
weixin_43850171的博客
04-26 1652
电脑装了两个cuda版本，今天需要用到tensorflow-gpu=2.2.0，在环境变量里面已经把cuda10.1置顶了，但是怎么都调用不起来，在cmd里面输入nvcc -V显示的也是cuda10.1，但是就是用不了，只好把cuda装在conda环境里面了，输入下面这个就可以了 conda install cudatoolkit=10.1 cudnn=7.6.5 ...
Ubuntu tensorflow2.X 调用cuda10.2
unsterbliche的博客
04-11 1023
已经安装了CUDA 10.2，然后才发现TensorFlow 2.2只支持CUDA 10.1，CUDA10.2没有对应的tensorflow版本。采取下面的办法建一个软链接即可。 注意，我的cuda安装在conda虚拟环境里，不使用根目录里安装的cuda ln -s ~/anaconda3/envs/pytorch/lib/libcudart.so.10.2.89 ~/anaconda3/envs/pytorch/lib/libcudart.so.10.1 相关：conda创建虚拟环境 和
conda虚拟环境装tensorflow2.2，cuda与cudnn版本对应
最新发布
08-06
在 Conda 虚拟环境中安装 TensorFlow 2.2 并确保其与正确的 CUDA 和 cuDNN 版本兼容，需要遵循特定的版本对应关系。TensorFlow 2.2 默认依赖于 CUDA 10.1 和 cuDNN 7.6，这些版本能够在大多数现代 GPU 上运行，并且与 Conda 环境中的依赖管理兼容[^4]。 ### 安装步骤 #### 1. 创建并激活 Conda 虚拟环境 建议为 TensorFlow 2.2 创建一个独立的虚拟环境，以避免与其他项目的依赖冲突。 ```bash conda create -n tf22 python=3.7 conda activate tf22 ``` #### 2. 安装 TensorFlow 2.2 使用 Conda 安装 TensorFlow 2.2 将自动解决与 CUDA 和 cuDNN 的兼容性问题： ```bash conda install -c conda-forge tensorflow=2.2 ``` Conda 将自动安装与 TensorFlow 2.2 兼容的 CUDA Toolkit（通常为 10.1）和 cuDNN（通常为 7.6）[^4]。 #### 3. 验证安装 安装完成后，可以通过以下 Python 脚本验证 TensorFlow 是否能够正确识别 GPU 支持： ```python import tensorflow as tf print("TensorFlow version:", tf.__version__) print("Is GPU available:", tf.test.is_gpu_available()) print("CUDA version:", tf.sysconfig.get_build_info()['cuda_version']) print("cuDNN version:", tf.sysconfig.get_build_info()['cudnn_version']) ``` #### 4. 手动安装 CUDA 和 cuDNN（可选） 如果使用 `pip` 安装 TensorFlow，则需要手动安装 CUDA 和 cuDNN。对于 TensorFlow 2.2，推荐的版本为： - **CUDA Toolkit 10.1** - **cuDNN 7.6** 可以通过 NVIDIA 官方网站下载对应版本的 CUDA Toolkit 和 cuDNN，并按照官方文档进行安装和环境变量配置[^2]。 --- ### 注意事项 - 确保系统中已安装 NVIDIA 驱动程序，且版本支持 CUDA 10.1。 - 如果使用 Conda 安装，通常不需要手动配置环境变量，Conda 会自动处理。 - 若需多个 CUDA 版本共存，可以使用 Conda 环境隔离或手动切换 CUDA 版本[^2]。 --- ###
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
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