对应的TensorFlow2.5.0+Keras2.5.0版本及测试是否可用

对应的TensorFlow2.5.0+Keras2.5.0版本

安装完成总结测试可用的版本号

安装之前先安装一下cuda及cudnn的版本：

conda install -c nvidia cudnn=8.1.0.77

会自动匹配cuda的版本也可以两者都指定（cuda=11.1.74）

测试TensorFlow是否可以调用GPU训练：

import tensorflow as tf

# 判断当前TensorFlow是否使用GPU
if tf.test.gpu_device_name():
    print("TensorFlow is using GPU")
else:
    print("TensorFlow is not using GPU")

# 检测CUDA版本
try:
    from tensorflow.python.platform import build_info
    if build_info.cuda_version_number is not None:
        print(f"CUDA version {build_info.cuda_version_number} is available")
except ImportError:
    print("Could not detect CUDA version")

# 检测cuDNN版本
try:
    cudnn_version = tf.__cudnn_version__
    print(f"cuDNN version {cudnn_version} is available")
except AttributeError:
    print("Could not detect cuDNN version")

TensorFlow-gpu2.5.0+Keras2.5.0+theano1.0.5+Python3.6.6+cuda11.1+cudnn8.1.0

1.查看keras版本

import keras

print(keras.__version__)

2.查看theano版本

import theano as th
th.__version__

3.查看tensorflow版本

import tensorflow as tf
tf.__version__

4.查看cudnn版本

dpkg -l | grep cudnn

5.测试TensorFlow和Keras是否可用

import tensorflow as tf

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0


model = tf.keras.models.Sequential([
  tf.keras.layers.Flatten(input_shape=(28, 28)),
  tf.keras.layers.Dense(128, activation='relu'),
  tf.keras.layers.Dropout(0.2),
  tf.keras.layers.Dense(10, activation='softmax')
])

model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])


model.fit(x_train, y_train, epochs=5)

model.evaluate(x_test,  y_test, verbose=2)

输出如下即可