基于RTX3090配置tensorflow1.15环境

最新推荐文章于 2025-07-21 10:30:56 发布
原创 最新推荐文章于 2025-07-21 10:30:56 发布 · 1.3k 阅读 · 12 ·
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。

本文档详细介绍了如何在CUDA11.1和Python3.6.8环境下，通过conda创建虚拟环境并安装TensorFlow1.15.4。步骤包括创建并激活虚拟环境、安装依赖、以及使用国内源解决安装问题。在安装过程中，需要注意网络状况可能影响安装进度，可以逐个安装依赖包确保成功。最后，通过运行Python并导入TensorFlow来验证安装是否成功。

**

cuda11.1 + python3.6.8 + tensorflow1.15.4

1.创建虚拟环境并激活

conda create -n tf python==3.6.8
conda activate exp38

2.安装tensorflow wheel的索引

pip install nvidia-pyindex

3.安装tensorflow

pip install nvidia-tensorflow
上面这个命令行是否成功安装取决于网速，国内很大可能是无法一次性安装成功的，可以通过依次安装相应的依赖包来安装tensorflow。

可以先创建一个tensorflow的虚拟环境，然后使用pip install 按照顺序安装以下依赖包，依赖包有：
在这里插入图片描述
上面红色框中可以先不装，装了第16个之后，直接装第19个，在装第19个的时候，会顺带下载第17个的依赖包，并且安装好。

这些依赖包的下载地址：依赖包下载地址（提取密码5tgm）这个地址是参考博文【1】的哦，直接下载，然后在依赖包的路径下，按照上述的顺序pip install ×××即可。

4.测试tensorflow是否安装成功

输入python，import tensorflow as tf出现如下提示，则安装成

最低0.47元/天 解锁文章
TensorFlow 1.15版本安装及PyCharm环境导入
tamako0v0的博客
03-18 1万+
TensorFlow 1.15版本安装及PyCharm环境导入
无需源码编译 | 基于RTX3090配置tensorflow1.15环境
AnneMOMO's Blog
01-04 1万+
入手RTX3090，在配置tensorflow环境的时候很是头疼，因为3090只支持cuda11.0+的版本，而tensorflow1.×已经不再维护，没有出支持cuda11.0+的版本了。 只能通过源码编译来安装环境，可我试过几次源码编码，但是都失败。终于找到另外一个方法，参考Accelerating TensorFlow on NVIDIA A100 GPUs，这是nvdia官方对安培架构的A100 GPU进行编译的TensorFlow 1.15版本，链接中简单介绍安装方法。而3090同样也是安培架构，
Tensorflow-gpu 1.15安装（csdn）————程序.pdf
12-04
Tensorflow-gpu 1.15安装（csdn）————程序
RTX3090安装TensorFlow-GPU环境并迁移tf1.15代码
Straka的博客
07-17 2094
RTX3090安装TensorFlow-GPU环境并迁移tf1.15代码环境配置迁移tf1.15代码至tf2.5.0 环境配置 在网上看到不少用tf-nightly-gpu安装的，实测后发现有一定兼容性问题，无法正常运行卷积操作，运行tf.config.list_physical_devices('GPU')没有问题，但是运行训练即闪退或报错，最后采用以下方法安装： conda create -n tf250 tensorflow-gpu==2.5.0 并在英伟达官网分别下载安装： cuda_11.1.0
win11 3060显卡快速搭建tensorflow1.15 gpu环境
qq_34944438的博客
10-18 935
Anaconda这个东西本来我是特别不喜欢用的，现在没办法需要搞大模型训练。版本要求太多了这个时候才发现Anaconda原来这么好用。所以下文都是基于Anaconda方法进行安装的。不保证适用于你的模型训练环境，但是绝对是最简单的。我本地的环境是笔记本型号：Legion-R9000Pwindows版本：Windows 11 家庭中文版显卡：NVIDIA GeForce RTX 3060 Laptop。
跟着深度学习好书实践tensorflow神经网络
通达的博客
10-11 1651
1986年辛顿与 David Ackley 和 Terry Sejnowski 共同发明了玻尔兹曼机，有关反向传播算法和波尔兹曼机的两篇重要文章，研究者们兴趣盎然，他们凭借自身的信念，排除嘈杂的干扰而自得其乐，江湖貌似平静但暗流涌动，为人工智能春天之到来做好了准备。正是应了一句名言：“大隐隐于市”。
【ML 环境配置、conda、Jupyter Notebook】cuda cudnn tensorflow各版本匹配关系与安装记录
Idiot 的博客
12-07 1474
三者的版本对应关系https://www.tensorflow.org/install/source_windows 注意要按照下图的说明来安装，否则会出现无法使用GPU计算等各种各样的问题。 cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive cuda10 win10:https://developer.nvidia.com/cuda-10.0-download-archive?target_os=Windows&targe.
中英文对话系统——（TensorFlow 1.15）
最新发布
2301_80911721的博客
07-21 900
中英文对话系统通常基于自然语言处理（NLP）技术，结合机器学习和深度学习模型实现跨语言交互。系统架构分为输入处理、意图识别、语言生成三大模块。输入处理模块负责中英文文本的分词、词性标注和句法分析。英文使用空格分词，中文需采用Jieba、HanLP等工具。跨语言场景需引入翻译接口或联合训练模型。意图识别模块通过预训练模型（如BERT、GPT）对用户输入进行分类。中英文混合输入需采用多语言模型（mBERT、XLM-R）或翻译对齐技术。领域适应性可通过微调或知识蒸馏优化。
安装Tensorflow==1.15版本（CPU）
qq_42962847的博客
01-04 5347
注意：安装tensorflow的某一版本要与python的版本相匹配，Python的版本太高，那么安装不了TensorFlow的低版本；1.创建虚拟环境：conda create -n tf15 python tensorflow=1.15。5.删除虚拟环境，以tf15为例：conda remove --name tf15 --all。2.进入虚拟环境：conda activate ft15。3.查看有哪些虚拟环境：conda env list。在tf这个环境下安装代码需要使用的包。
【Tensorflow】Tensorflow1.15安装（Ubuntu20.04+Anaconda3）
m0_60765523的博客
02-27 8969
tensorflow1.15安装，操作系统为Ubuntu20.04
tensorflow-1.15版本安装
weixin_42929891的博客
08-08 2521
python3.6 pip3.6 tensorflow1.150
win10安装tensorflow-gpu-1.15
u013250861的博客
01-24 5797
因课程要求，需要安装tensorflow1.15。我是使用conda来管理不同环境的。
使用 pip 和 conda 安装 tensorflow-gpu 1.15
热门推荐
xzq_13972146251的博客
07-15 1万+
本文介绍了用conda和pip安装tensorflow1.x版本和tensorflow2.x版本，并且阐述了安装tensorflow1.x版本和tensorflow2.x版本所存在的区别。提出了一种成功率高适合更多系统环境的方法。
Python环境—tensorflow1.15与显卡3090适配问题
fushe6766的博客
04-10 652
可能还会遇到个别tensorflow2.0+和tensorflow1.0+写法不一样的地方，对应修改即可。显卡3090需要cuda11.0+，tensorflow1.15需要cuda9.0。整理在此，只为个人记录学习过程，并分享给需要的小伙伴。代码是基于tensorflow1.15.4编写。安装nvidia-tensorflow。（1）只针对ubantu系统。上述文章可能部分源于网络。
tensorflow 1.15 gpu docker环境搭建；Nvidia Docker容器基于TensorFlow1.15测试GPU；——全流程应用指南
点赞的都能无bug通过！
11-14 2721
TensorFlow 在新款 NVIDIA Pascal GPU 上的运行速度可提升高达 50%，并且能够顺利跨 GPU 进行扩展。如今，训练模型的时间可以从几天缩短到几小时TensorFlow 使用优化的 C++ 和 NVIDIA® CUDA® 工具包编写，使模型能够在训练和推理时在 GPU 上运行，从而大幅提速TensorFlow GPU 支持需要多个驱动和库。为简化安装并避免库冲突，建议利用 GPU 支持的 TensorFlow Docker 镜像。
centos7下编译tensorflow1.15 GPU版本（cuda11）
momaojia的博客
11-24 5151
​ 因为最近要把cuda10.0升级到cuda11,但是cuda11都不支持tensorflow1.1x版本，所以尝试从源码编译，目前tensorflow官方给出了ubuntu版本的编译方法，nvidia也提供了一款基于ubuntu的nvidia-tensorflow，直接安装在centos上，期间出现了各种问题，因此本文记录了在centos上编译tensorflow-gpu1.15版本的过程，仅供大家参考。 ​ 下表展示了tensoflow和cuda、gcc之间的对应关系 [外链图片转存失
rtx3090搭建tensorflow1.15环境
小姑仔的博客
03-21 6742
rtx3090搭建tensorflow1.15环境 这里要补充两点，一个是python3.8也可以安装， 对于pip install nvidia-tensorflow 可能不能一次性的安装成功，但是这里通过多次安装是可以获得成功的，第一次安装失败之后第二次接着进行 pip install nvidia-tensorflow 的操作，直到全部安装成功为止 另外安装完nvidia tensorflow的时候不需要进行tensorflow的安装了，因为这里已经帮你安装好了tensorflow的框架，你只需要直
Tensorflow-GPU 1.15安装
Alex抱着爆米花的博客
07-22 1072
Tensorflow-GPU1.15安装
rtx3070 tensorflow 1
03-08
### RTX3070 上使用 TensorFlow 1 进行深度学习开发 #### 配置环境 对于希望在配备有 RTX3070 显卡的工作站上部署并运行基于 TensorFlow 1 的深度学习应用而言，首要任务是确保操作系统、驱动程序以及必要的库都已正确安装。 由于 TensorFlow 1 对 CUDA 和 cuDNN 版本有着特定的要求，在此推荐采用兼容性较好的组合来构建开发环境： - 安装适用于 Windows 平台的 NVIDIA 显卡驱动最新稳定版本； - 下载并安装与之匹配的 CUDA 工具包（建议选用支持 Tensorflow 1.x 的较新版本如 CUDA 10.1），同时获取对应的 cuDNN 库文件[^2]； 完成上述准备工作之后，通过 Anaconda 创建独立虚拟环境，并利用 `pip` 或者 Conda 来安装指定版本的 TensorFlow-GPU (例如：`tensorflow-gpu==1.15`) 及其他依赖项。值得注意的是，尽管官方已经停止更新 TensorFlow 1.x 系列产品线，但仍可通过社区维护的方式获得部分功能增强和支持[^3]。 为了验证 GPU 加速是否正常工作，可以在 Python 解释器内部执行如下测试代码片段: ```python import tensorflow as tf print(tf.__version__) a = tf.constant([1]) b = tf.constant([2]) c = a + b with tf.Session() as sess: result = sess.run(c) print(result) if tf.test.is_built_with_cuda(): print("TensorFlow was built with CUDA support.") else: print("No CUDA support.") device_name = tf.test.gpu_device_name() if device_name != '/device:GPU:0': raise SystemError('GPU device not found') print(f'Found GPU at: {device_name}') ``` 这段脚本不仅能够确认 TensorFlow 是否成功识别到本地存在的 Nvidia 设备，而且可以初步判断其能否有效调用底层硬件资源加速计算过程。 #### 性能优化策略 针对 RTX3070 使用场景下的性能提升措施主要包括但不限于以下几个方面： - **调整显存分配**：默认情况下，TensorFlow 将尽可能多地占用可用显存空间。如果遇到内存不足的问题，则可以通过设置环境变量或者编程接口的方式来控制初始预留比例。 - **启用 XLA 编译器**：实验性质的功能之一——Accelerated Linear Algebra(XLA)，旨在通过对张量操作序列进行编译级优化从而提高整体运算效率。开启方法是在启动会话之前加入相应选项参数。 - **数据预处理流水线设计**：合理规划输入管道结构有助于减少 I/O 等待时间，进而加快训练周期内的迭代速度。考虑引入多线程读取机制或是借助第三方工具实现高效的数据加载流程。 最后提醒一点，鉴于当前主流趋势逐渐向 TensorFlow 2.x 转移，除非项目需求特别指定了要沿用旧框架，否则还是鼓励开发者尽早迁移到新版环境中享受更多特性优势[^4]。
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