anaconda下 tensflow-gpu和torch(gpu)共存搭建

本文提供在Windows10+CUDA10.1环境下,解决AnacondaNavigator安装冲突,及从官网正确安装PyTorch与TensorFlow-GPU的详细步骤,确保GPU加速功能正常运行。

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

环境信息:

windows10+cuda10.1

踩过的坑:

1.在Anaconda Navigator里面安装的tensorflow-gpu, cudatoolkit会锁定在10.0 ,而pytorch在写这文章的时候就已经是支持10.1的了,如果改成10.1会造成tensorflow-gpu的卸载并安装cpu的版本

2.我在conda增加了清华源安装pytorch(因为快一些),安装后发现怎么也无法使用pytorch的gpu,命令一查,发现根本就没有,也就是说清华源安装的pytorch很有可能是cpu的,看了列表确实是,如果你从清华源安装了后没有办法使用gpu的话,需要从官网进行下载

 

安装步骤:

安装cuda10.1和cudnn7---> 再从官网安装pytorch --> 再使用pip 安装tensorflow-gpu既可

 

1.安装cuda10.1和cudnn7,都可以再英伟达网站找到,目前发布了cuda10.2,暂时不要下载

cuda10.1   https://developer.nvidia.com/cuda-toolkit-archive

cudnn   https://developer.nvidia.com/cudnn

2.从pytorch下载安装

网站: https://pytorch.org/get-started/locally/

conda install pytorch torchvision cudatoolkit=10.1 -c pytorch

-c 和pytorch 是为了从官网下载,如果去掉后,可以从自定义源中下载

3.使用pip或者pip3 安装tensorflow-gpu

pip install tensorflow-gpu

 

### 配置 TensorFlow GPU 版本与 PyTorch 在同一环境中共存 在 Windows 系统上配置 TensorFlowGPU 版本并与 PyTorch 实现共存是一项复杂的任务,因为两者都依赖于 CUDA cuDNN 库。为了确保兼容性稳定性,以下是详细的说明: #### 1. 安装 NVIDIA 显卡驱动程序 确保已安装最新版本的 NVIDIA 显卡驱动程序。这是支持 TensorFlow PyTorch 使用 GPU 运算的基础。 #### 2. 安装 CUDA 工具包 cuDNN CUDA cuDNN 是 TensorFlow PyTorch 所需的核心组件。需要确认它们的版本与所使用的 TensorFlow-GPU PyTorch 兼容。例如: - 对于 TensorFlow 2.x,推荐使用特定版本的 CUDA (如 CUDA 11.2) cuDNN (如 cuDNN v8.1)[^3]。 - 对于 PyTorch,通常会提供预构建的支持多种 CUDA 版本的二进制文件。可以通过 `torch.utils.collect_env()` 来验证当前环境中的 CUDA 支持情况[^4]。 #### 3. 创建 Conda 虚拟环境 建议通过 Anaconda 或 Miniconda 创建独立的虚拟环境以隔离依赖项冲突。创建环境时可执行如下命令: ```bash conda create -n tf_pytorch python=3.9 conda activate tf_pytorch ``` #### 4. 安装 TensorFlow PyTorch 在激活的环境中分别安装 TensorFlow PyTorch。由于某些情况下 conda 渠道可能无法找到最新的 GPU 版本,可以考虑 pip 渠道进行补充安装。例如: ```bash # 安装 TensorFlow GPU 版本 pip install tensorflow==2.10 # 安装 PyTorch 并指定 CUDA 版本 pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu116 ``` 注意:如果网络条件允许,优先使用官方源;否则可以根据需求调整为国内镜像源[^2]。 #### 5. 测试 GPU 是否正常工作 完成安装后,测试两者的 GPU 功能是否生效至关重要。对于 TensorFlow,可通过以下代码片段检测: ```python import tensorflow as tf print(tf.config.list_physical_devices('GPU')) # 如果返回非空列表则表示成功启用GPU[^1] ``` 而对于 PyTorch 则有类似的检验方法: ```python import torch print(torch.cuda.is_available()) # 返回 True 表明能够访问到NVIDIA设备 ``` #### 6. 解决潜在问题 有时即使完成了上述步骤仍可能出现错误提示,比如动态链接库丢失等问题。此时应仔细核对所有软件及其子模块的具体版本号,并查阅相关文档解决不匹配之处。 --- ###
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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