conda安装指定版本的gpu-cpu虚拟环境

最新推荐文章于 2024-11-19 19:14:03 发布
原创 最新推荐文章于 2024-11-19 19:14:03 发布 · 596 阅读 · 1 ·
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：

#环境配置 #windows #linux

这篇博客介绍了如何在Linux和Windows下，通过清华镜像源安装Anaconda中没有的CUDA和CuDNN特定版本，以及TensorFlow-GPU的旧版本。步骤包括在创建虚拟环境后，利用conda和pip命令来安装所需组件，确保能成功搭建老版本的TensorFlow-GPU环境。
部署运行你感兴趣的模型镜像

conda安装指定版本的gpu-cpu虚拟环境

anaconda中没有的版本使用清华镜像安装

linux下

如：
conda install cudatoolkit=8.0 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
conda install cudnn=6.0.21 -c https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/linux-64/
pip install tensorflow-gpu==1.4.0
完美安装老版本的tfgpu版

windows下

找到相关镜像源 安装匹配版本即可
前提是创建虚拟环境之后的操作

您可能感兴趣的与本文相关的镜像

Python3.8

Python3.8

Conda
Python

Python 是一种高级、解释型、通用的编程语言，以其简洁易读的语法而闻名，适用于广泛的应用，包括Web开发、数据分析、人工智能和自动化脚本

Python&aconda系列：（W&L）Conda使用faiss-gpu报错及解决办法、安装numpy的坑、cmd执行Python脚本找不到第三方库、安装tensorflow-gpu时遇到的from
weixin_54626591的博客
12-25 4063
（W&L）Conda使用faiss-gpu报错及解决办法、安装numpy的坑、cmd执行Python脚本找不到第三方库、安装tensorflow-gpu时遇到的from
机器学习之GPU-paddle框架搭建之在conda虚拟环境安装CUDA和CUDNN以及在pycharm中验证paddle是否可运行
yxy_ben的博客
05-23 2396
通常，在本地安装与显卡对应的cuda和cudnn，这样才可以用显卡进行训练。但不同的项目所需框架所支持的CUDA版本是不一样的，而框架和CUDA版本之间又是互相依赖的，所以如果可以灵活地在不同cuda版本间切换将是非常方便的。anaconda就可以实现这个功能。所以可在conda创建的不同虚拟环境中安装不同的cuda和cudnn版本，以此来实现不同cuda版本间的切换。
conda创建GPU版本Pytorch环境
鱼香肉丝盖饭的博客
09-01 1091
这个后缀的意思是，只从pytorch官网下载，速度会非常慢 😩。以下命令行代码的操作，均是在AnacondaPrompt中。GPU版本pytorch环境安装成功！
Conda环境配置PyTorch环境总结(GPU)
a1574300748的博客
07-24 2400
安装pytorch的过程
win10用conda搭建基于GPU的深度学习环境
m0_59118857的博客
04-11 1303
误区1：每个代码都需要不同的运行环境，conda可以满足这个需求，conda搭建的环境是一个虚拟环境，是相对独立于基本环境的，相应的安装代码所需的库等操作也应该在虚拟环境在操作，把库安在基本环境，虚拟环境是无法调用的。误区2：在虚拟环境安装PyTorch时会安装cudatoolkit，所以不需要单独安装cuda，也不需要在基本环境安装cuda和cudnn。上述是笔者搭建环境的过程，中间也踩过很多坑。大家如果有什么更好的建议或者在搭建的过程中碰到其他问题，欢迎各位在评论区指正和交流。
释放GPU潜能：在Conda环境中配置CUDA与cuDNN
2401_85439108的博客
07-09 1583
Conda作为Python的包管理器和环境管理器，提供了一种便捷的方式来配置和管理包含CUDA和cuDNN的环境。本文将详细指导如何在Conda环境中安装和配置CUDA与cuDNN，以实现GPU加速。通过在Conda环境中配置CUDA和cuDNN，您可以充分利用GPU的强大计算能力，加速深度学习和科学计算任务。本文提供的步骤和代码示例将帮助您快速搭建起支持GPU加速的开发环境。本文详细介绍了在Conda环境中使用CUDA和cuDNN进行GPU加速的方法，希望能为您的项目开发提供帮助。
ubuntu22.04下使用conda安装pytorch(cpu及gpu版本)
youlinhuanyan的博客
02-13 5352
本文介绍了conda下安装cpu、gpu版本的pytorch；并介绍了如何设置镜像源。
坑 之 Ubuntu Conda虚拟环境使用faiss-gpu报错分析及解决办法
qq_41368074的博客
05-16 8482
faiss-gpu的使用于cuda版本是紧密相关的，cuda又是与nvidia driver紧密相关的，nvidia driver又是与显卡紧密相关的
本地大模型6：在conda环境中安装Langchain-Chatchat、xinference及简单使用
weixin_74825941的博客
11-11 1917
下载Langchain-Chatchat解压后用vscode打开conda是一个开源的包管理器和环境管理器，主要用于管理 Python 和其他编程语言的软件包和依赖项。conda环境指的是一个隔离的环境，其中包含特定版本的 Python 解释器及其依赖的库和工具。通过使用conda环境，可以避免不同项目间的依赖冲突，并且每个项目都可以使用不同版本的库，而不影响其他项目。简而言之，conda 环境是一个虚拟环境，允许你在其中安装特定版本的软件包，确保不同的项目不会互相干扰。
基于Miniconda3安装jupyter notebook+虚拟环境安装tensorflow(cpu&gpu版本)
weixin_69924741的博客
06-03 5244
本文在安装过程中参考了很多c站的其他教程，本文把安装过程中遇到的问题和安装过程一一记录，希望能有所贡献。本文是基于miniconda已经安装完成且环境变量也设置好的前提。
conda环境下安装GPU版本的pytorch
luckyme_的博客
03-28 7344
1、确认NVIDIA 独立显卡的 CUDA 计算能力 首先要确定 GPU 型号，方法为：右击“我的电脑”->在上下文菜单中选择“管理”->在窗口左边栏中选择“设备管理器”->选择“显卡”查看 GPU 型号。或从“NVIDIA控制面板”也可以查看。根据GPU 型号查找对应的 CUDA 计算能力。 https://developer.nvidia.com/cuda-gpus#collapseOne 2、确定 CUDA 版本 在桌面空白处右击，在弹出的上下文菜单中选择“NVIDIA控制面
conda配置深度学习环境安装GPU版本，检查发现是CPU版本的简单解决办法。
guopiswd的博客
08-07 757
提供了一个简单的方法，在conda里的pip渠道安装GPU版本的pytoch以及torch vision
WIN10环境下使用Anaconda 搭建GPU环境
qq_22441151的博客
06-03 2929
WIN10环境下使用Anaconda 搭建GPU环境 1.PyTorch 1.1确定 pytorch、cuda、cudnn版本的对应关系 如果安装的版本不匹配，安装后会出现各种各样的问题。 本渣踩的坑----安装完成之后，anaconda navigator显示环境已经搭建好，pycharm和jupyter notebook中也能添加pytorch-gpu的编译器，但是在import torch时报错！！ OSError: [WinError 126] 找不到指定的模块 一定要匹配！ 一定要匹配！ 一定
虚拟环境与conda以及GPU使用
curseofknowledge的博客
07-02 4325
需要查看显卡驱动最高支持的版本，两种方法：1.桌面右键NVIDIA控制面板如图所示CUDA版本最高到12.0，向下兼容。（但是要注意torch版本同样要与CUDA和cudnn兼容，目前2023.7torch兼容到了CUDA11.8版本）
在GPU上运行PyTorch「附conda安装指南」
逐梦苍穹的博客
07-16 4962
如何在GPU运行PyTorch，附conda安装指南
如何用conda安装PyTorch（windows、GPU）最全安装教程（cudatoolkit、python、PyTorch、Anaconda版本对应问题）（完美解决安装CPU而不是GPU的问题）
热门推荐
qq_51800276的博客
09-17 2万+
本章讲述用conda安装PyTorch（windows、GPU版本）最全最详细安装教程，它能完美解决安装成CPU而不是GPU的问题，同时解决了pytorch安装速度过慢以及anaconda、pytorch、cuda、python版本对应问题，亲测有效。
anaconda 安装 faiss -gpu
CatOneTwo的专栏
08-27 3754
conda install faiss-gpu 如果用 conda install -c pytorch faiss-gpu可能会报错
向量数据库FAISS之一：官方简单教程
weixin_46034279的博客
11-19 3779
在下面的示例中，我们将使用在 d=64 维度上形成均匀分布的向量。向量仍然存储在 Voronoi 单元中，但它们的大小减小到可配置的字节数 m（d 必须是 m 的倍数）。为了扩展到非常大的数据集，Faiss 提供了基于乘积量化的有损压缩来压缩存储的向量的变体。正如我们看见的，IndexFlatL2 和 IndexIVFFlat 都存储全部的向量。我们假设行优先存储，即向量编号 i 的第 j 个分量存储在矩阵的第 i 行、j 列中。给数据库：包含所有的必须被索引化的、需要去查找的 向量。
faiss(1)：简介 安装 与 原理
沈春旭的博客
11-03 3909
1. 简介 Faiss是Facebook AI团队开源的针对聚类和相似性搜索库，为稠密向量提供高效相似度搜索和聚类，支持十亿级别向量的搜索，是目前最为成熟的近似近邻搜索库。它包含多种搜索任意大小向量集（备注：向量集大小由RAM内存决定）的算法，以及用于算法评估和参数调整的支持代码。Faiss用C++编写，并提供与Numpy完美衔接的Python接口。除此以外，对一些核心算法提供了GPU实现。 ...
conda安装pip install tensorflow-gpu==2.19.0
最新发布
07-16
<think>我们正在使用conda环境，并且要在其中使用pip安装特定版本的tensorflow-gpu（2.19.0）。注意，tensorflow从2.1版本开始，通常使用`tensorflow`包来同时支持CPU和GPU，但有时也会单独提供`tensorflow-gpu`包。然而，在2.19.0版本中，我们应当查看官方发布情况。根据TensorFlow的发布历史，实际上在TensorFlow 2.x的后期版本中，官方推荐使用`tensorflow`包（该包在支持GPU的环境中会自动利用GPU），而不再单独提供`tensorflow-gpu`包。因此，我们需要确认2.19.0版本是否存在。 但是，请注意：TensorFlow的版本通常只发布到2.x的某个点，目前（2023年）最新的稳定版本是2.x，但2.19.0这个版本号并不存在。实际上，TensorFlow的版本号在2.5之后，通常以2.5、2.6、...、2.15这样的形式发布，并没有2.19.0。因此，用户可能是打错了版本号？或者是指的2.10.0？但用户明确说了2.19.0。 由于版本号可能错误，我们需要先澄清：TensorFlow目前（截至2023年10月）并没有2.19.0版本。最高版本为2.15.0（2023年11月发布）。因此，用户可能是想安装2.10.0？或者2.15.0？但用户明确要求2.19.0。 考虑到用户可能输入错误，我们有两种处理方式： 1. 按照用户指定的版本尝试安装（尽管可能不存在） 2. 提醒用户版本号可能有误，并提供最新可用版本的信息 但根据指令，我们要尽可能帮助用户解决问题。因此，我们先假设用户确实需要安装2.19.0，但发现这个版本不存在。那么，我们可以建议用户安装其他版本，或者检查版本号。 然而，在引用中，用户提到过安装2.10.0版本（引用[1]）。所以，用户可能是在之前操作的基础上，现在想安装一个更新的版本？但2.19.0不存在。 因此，在回答中，我们需要先指出版本问题，然后提供安装指定版本（比如2.10.0或2.15.0）的方法。同时，我们也可以提供安装最新版本的方法。 但是，用户明确要求2.19.0，所以我们将尝试安装，并预期会失败（因为不存在），然后给出解决方案。 步骤： 1. 创建并激活conda环境（如果还没有） 2. 在conda环境中使用pip安装`tensorflow-gpu==2.19.0` 3. 由于版本不存在，pip会报错，并列出可用的版本。 4. 根据可用的版本，选择一个合适的版本安装（例如2.15.0或2.10.0） 或者，我们可以直接告诉用户2.19.0不存在，并建议安装其他版本。 考虑到用户可能坚持使用2.19.0（尽管不存在），我们也可以尝试安装`tensorflow`包（因为后期版本中，GPU支持已经合并到主包中），但版本号同样不存在。 因此，回答将分为以下步骤： 1. 创建conda环境（可选，如果已有环境可跳过） 2. 激活conda环境 3. 使用pip安装，并处理版本不存在的问题 4. 安装成功后验证GPU是否可用 但是，由于2.19.0不存在，我们可能需要安装其他版本。我们可以建议用户安装2.15.0（当前最新的2.x版本）或者2.10.0（引用中出现的版本）。 另外，安装TensorFlow GPU版本需要对应的CUDA和cuDNN支持。因此，在安装指定版本之前，需要确保系统环境满足要求。 由于用户是在conda环境中安装，我们可以利用conda来管理CUDA和cuDNN的依赖，但这里用户要求使用pip安装，所以我们可能需要单独安装CUDA和cuDNN，或者使用conda安装这些依赖。 但是，使用pip安装TensorFlow时，它不会自动安装CUDA和cuDNN，所以我们需要提前在系统中安装好，或者在conda环境中使用conda安装这些依赖。 为了简化，我们可以先尝试用pip安装TensorFlow，然后根据错误提示再安装所需的CUDA等。但更推荐的方法是：在conda环境中，使用conda安装cudatoolkit和cudnn，然后再用pip安装TensorFlow。 因此，步骤可以调整为： 1. 创建conda环境（如果还没有） 2. 激活环境 3. 使用conda安装对应版本的cudatoolkit和cudnn（需要根据TensorFlow版本来选择） 4. 使用pip安装tensorflow-gpu（或tensorflow）指定版本 但是，用户要求安装2.19.0，这个版本不存在，所以我们需要调整。 综合考虑，我们将采取以下方案： - 告知用户2.19.0版本不存在，并提供可用的版本列表（通过pip install命令模拟） - 建议用户选择一个可用版本（例如2.15.0或2.10.0） - 然后按照选择的版本安装，并配置对应的CUDA环境 下面开始逐步回答：</think>### 在Conda环境中使用pip安装TensorFlow GPU 2.19.0的步骤 #### 步骤1：创建Conda环境（可选） 若需隔离环境，建议新建Python 3.8-3.10的环境（TensorFlow 2.x兼容范围）： ```bash conda create -n tf_gpu_env python=3.9 conda activate tf_gpu_env ``` #### 步骤2：安装CUDA和cuDNN依赖 TensorFlow GPU版本需要匹配的CUDA/cuDNN。**由于TensorFlow 2.19.0不存在**（截至2024年7月，最新稳定版为2.15.0[^1]），需调整版本： - 对于 **TensorFlow 2.10.0**（引用示例版本）： ```bash conda install cudatoolkit=11.2 cudnn=8.1 -c conda-forge ``` - 对于 **TensorFlow 2.15.0**（当前最新）： ```bash conda install cudatoolkit=11.8 cudnn=8.9 -c conda-forge ``` #### 步骤3：安装TensorFlow GPU 通过pip指定版本和清华源加速： ```bash # 安装实际存在的版本（如2.10.0或2.15.0） pip install tensorflow-gpu==2.15.0 -i https://pypi.tuna.tsinghua.edu.cn/simple # 若坚持尝试2.19.0（会失败，用于验证版本不存在） pip install tensorflow-gpu==2.19.0 # 将返回"Could not find a version" ``` #### 步骤4：验证GPU可用性 创建Python测试脚本： ```python import tensorflow as tf print(f"TF Version: {tf.__version__}") print(f"GPU Available: {'Yes' if tf.config.list_physical_devices('GPU') else 'No'}") ``` 预期输出： ``` TF Version: 2.15.0 GPU Available: Yes ``` ### 关键注意事项 1. **版本兼容性**： - TensorFlow版本需与CUDA/cuDNN严格匹配（[官方构建配置表](https://www.tensorflow.org/install/source#gpu)） - 2.19.0不存在，可用版本范围：2.0.0 - 2.15.0（2024年最新） 2. **依赖管理原则**： - Conda管理CUDA/cuDNN，pip管理TensorFlow（避免混用包管理器[^2]） - 冲突时优先执行 `conda install -c conda-forge cudatoolkit cudnn` 3. **虚拟环境必要性**： - 避免污染base环境（尤其多版本CUDA共存时） - 环境删除命令：`conda remove -n tf_gpu_env --all` > 实测安装流程可参考：[TensorFlow GPU官方安装指南](https://www.tensorflow.org/install/gpu)
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

打赏作者

plus_left

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