配置的环境以TensorFlow-gpu为例包含环境配置和pycharm中新建项目两个部分环境配置的笔记来自于以下链接：(34条消息)深度学习环境配置7——（30系显卡）windows下的tensorflow-gpu

安装了两个版本的cuda之后，需要安装anaconda(安装参考链接)来控制python版本以及tensorflow-gpu版本。

1.检查电脑GPU驱动型号等信息获悉电脑支持的最高cuda型号（1）打开英伟达控制面板如下图（2）查看对应显卡型号如下图我的版本是517（3）在网站CUDA12.1Update1ReleaseNotes(nvidia.com)查看该显卡驱动型号对应的cuda型号（支持的cuda最高型号）如下图可以看到我的最高能支持到cuda11.8ps：以上步骤参考：win11配置深度学习环境GPU-知乎(zhi

#opencv安装参照:https://chrisconlan.com/installing-python-opencv-3-windows/#tensorflow-gpu安装参照:condacreate

1、用pip安装库2、用conda下载安装tensorflow-gpu再经历无数次试错之后，终于可以跑tensorflow-hub了，在此写出来，让大家少走弯路。

【报错信息】PackagesNotFoundError:Thefollowingpackagesarenotavailablefromcurrentchannels:-tensorflow-gpu==2.4.1

下载cuda目前通过pip安装的tensorflow只支持cuda9.0，其它版本需要自己编译或者找别人编译好的。这里下载cuda9.0，下载链接cuda下载好后运行chmod755cuda_9.0.176_384.81_linux.run&&sudo./cuda_9.0.176_384.81_linux.run安装过程中可以选择安装NVIDIA显卡驱动，如果直接在xservice启动的情况下会报

一、安装前提示！！(如果时间过久出现改动，此教程可能出现一些新bug！)1.来自tensorflow官方信息Note:GPUsupportonnative-Windowsisonlyavailablefor2.10orearlierversions,startinginTF2.11,CUDAbuildisnotsupportedforWindows.ForusingTensorFlowGPUonW

目录参考资料写博客的动机电脑配置重要：版本汇总安装Python3.7.8pip安装Numpy等包安装CUDA(10.1)安装cuDNN安装TensorFlow-gpu安装PyTorch简单小测试结束语参考资料

本文将介绍：如何找到所需要的Tensorflow-GPU镜像在Linux终端中拉取镜像、查看本地镜像使用Docker构建Tensorflow-Gpu环境配置jupyter外部访问映射检查是否是GPU环境查看本文的前置条件是本地需要有

MX130+CUDA10.0+CUDNN7.6.1+TensorFlow-gpu安装一、CUDA安装二、CUDNN安装三、tensorflow-gpu安装环境：GeForceMX130（支持CUDA)python

1.在此记录下测试步骤，方便以后查询，tensorflowserving可以解决模型生产部署问题，在使用之前先安装docker，参考官方文档安装即可，如果需要使用gpu的话，还得安装nvidia-docker，且tensorflowserving的镜像得是对应cuda的版本，例如tensorflowserving:1.12.0-gpu对应最高的cuda版本是9，cudnn版本为7；2.docker

说一说我在anaconda安装tensorflow-gpu踩的坑再运行tensorflow_objectionAPI官网测试程序的坑==问题总结我先安装anaconda3(自带python3.5)，再安装

一、问题描述docker中torch可以使用GPU，而tensorflow-gpu调用不了GPU，反复查找问题所在。

tensorflow-gpu安装及调用GPU踩坑记录1.安装tensorflow-gpu2.Docker使用GPU2.1Couldnotfindcudadrivers2.2wasunabletofindlibcuda.soDSO2.3CouldnotfindTensorRT

导语2023-4-11对于机器学习er配置环境一直是个头疼的事，尤其是在windows系统中。尤其像博主这样的懒人，又不喜欢创建虚拟环境，过段时间又忘了环境和包的人，经常会让自己电脑里装了各种深度学习环境和python包。长时间会导致自己的项目文件和环境弄的很乱。且各个项目间的兼容性又会出现问题。不仅如此，windows系统独特的“尿性”真的让开发者苦不堪言！好在微软爸爸推出了WSL，WSL可以实

查看自己电脑的cuda版本：见文章查看CUDA版本我的是：他的意思就是说：俺的显卡支持的cuda版本是12.0的（向下兼容）然后我的项目tensorflow-gpu版本是1.13.2版本的，对应的cuda

其实在ubuntu16.04中安装tensorflow-gpu时十分简单的，主要有三个步骤一、安装GPU私有驱动1.关闭UEFIBIOS中的”安全启动“2.在ubuntu中的”软件更新”--“附加驱动”

个人建议安装好anaconda后先安装caffe,再安装tensorflow-gpu在github上下载caffe：sudoapt-getinstallgit#安装gitgitclonehttps://

安装tensorflow-gpu会报错，如下图所示：具体的原因好像是新版的python里面的一个变量名冲突了，我没有花时间去解决他，我回退到了3.5.2的版本，一切都好了，嘻嘻。。。

说明电脑没有装cuda，需要到nvidia官网去下载cuda，下载时需要注意cuda和TensorFlow-gpu的版本一定要匹配具体请参开TensorFlow官网文件https://www.tensorflow.org

【原由】myenv：python=3.5.6,keras=2.0.8,tensorflow-gpu=1.4.0遇到了cannotimportadam_V2，原import处的文件也无法编辑，因此只能自己生成

环境信息:windows10+cuda10.1踩过的坑:1.在AnacondaNavigator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

注意：首先，tensorflow-gpu和tensorflow不要同时存在。

文章目录Anaconda+python3.7+tensorflow环境搭建（在pycharm中使用）我的系统是Windows10系统64位安装Anaconda后卸载创建的虚拟环境TensorFlow-GPU

不用手动安装cuda和cudnn！！！我是在ubuntu子系统上安装的，没有装双系统，安装过程参考下面链接(我安装18.04)https://www.jianshu.com/p/2bcf5eca5fbc1.安装显卡驱动去nvidia驱动下载界面搜索自己的显卡驱动版本，我的是435，因此执行sudoapt-getinstallnvidia-435。测试安装成功输入nvidia-smi参考https:

标题(face)c**********:~/nnn/facedetection/env_package/tensorflow-gpu$pipinstalltensorflow_gpu-2.1.4-cp36

Windows10Python3.7.3TensorFlow2.3.0Anaconda4.12.0CUDA10.1cuDNN7.6.5二、步骤2.1创建一个python3.7.3的虚拟环境condacreate-ntrash_gpupython==3.7.32.2激活虚拟环境condaactivatetrash_gpu2.3安装tensorflow-gpu

1、账号需要自己注册（我的NVIDIA账号：163邮箱。备注：oracle官网的登陆同上）2、安装（1）英伟达显卡和cuda关系cuda是英伟达开发的自适配的gpu运行包。桌面右键，打开“NVIDIA控制面板”，即可看到驱动程序版本。CUDA版本与显卡驱动匹配（2）cudnn与cuda的关系NVIDIA驱动官网：官方驱动|NVIDIACUDA下载官网：CUDAToolkitArchive|NVID

anaconda安装pytorch，tensorflow-gpu环境。前提：笔记本英伟达显卡驱动已经安装好了。

目录前言总体设计系统整体结构图系统流程图运行环境Python环境TensorFlow环境TensorFlow-GPU模块实现1.数据预处理2.模型构建及编译1.定义参数2.构建模型3.定义损失函数及模型编译

文章目录1、安装TensorFlow-GPU版本1.2、验证是否安装正常2、将训练好的pt文件转换成onnx文件2.2、什么是Onnx模型和Tensorflow模型2.1、将onnx文件转换成pb文件1

虚拟环境如何实现第一步GPU驱动安装第二步anaconda实现创建虚拟环境为什么选择anaconda安装anaconda指令创建python虚拟环境conda创建conda激活验证在当前虚拟环境内安装tensorflow-gpu

主要讲一下在Linux下安装tensorflowgpu版的两种方式：使用conda和pip安装。安装cpu版本比较简单，安装命令相同，但是省去了安装cuda和cudnn。注意：在安装tensorflowgpu版本前，首先要清楚不同版本tensorflow对应不同的cuda，cudnn版本，而不同的cuda版本对显卡驱动版本又有要求。这几个版本不符合要求是无法使用gpu版本的tensorflow，下

一、本地安装如果直接在本地环境安装（不创建虚拟环境:参考下文虚拟环境）。直接这样condainstall-cconda-forgecudatoolkit=11.2.0cudnn=8.1.0condainstalltensorflow-gpu==2.10（最好改一下conda下载源）中科大anaconda源参考链接中科大anaconda源condaconfig--addchannelshttps:/

【前言】1.最近因为上课需要安装Anaconda和Tensorflow-GPU，Anaconda安装很容易，但Tensorflow-GPU版本的安装较为复杂，因为需要考虑版本匹配的一些问题，很容易出现问题

Nvidia显卡驱动、CUDA、cuDNN、Anaconda及Tensorflow-GPU版本一、确定版本关系二、安装过程1.安装显卡驱动2、安装CUDA3、安装cudnn4、安装TensorFlow5

卸载已有的tensorflow-gpu包和conda安装的cuda包，安装nvidia版本ten

问题原因：该tensorflow-gpu环境中没有安装jupyternotebook，只需要在该环境中安装jupyter即可。

tensorflow-gpucudacudNNtensorRT安装tensorflow-gpu版本对应关系tensorflow-gpu版本对应关系https://tensorflow.google.cn

win10安装tensorflow-gpu2.10.0系统配置系统win10x64显卡GTX1660TiCUDA12.2cudnn8.9查看版本对应：https://tensorflow.google.cn/install/source_windows#gpuVersionPythonversionCompilerBuildtoolscuDNNCUDAtensorflow_gpu-2.10.03.

ubuntu20.04安装tensorflow-gpu配置：系统ubuntu20.04LTS显卡GTX10606G1安装cudatoolkit（我选CUDAToolkit12.2）NVIDIACUDAInstallationGuideforLinuxhttps

对各版本均可用1、报错样式2、查找DLL文件3、我的环境1、报错样式在一段时间没有使用TensorFlow之后，当我再次打开，企图运行importTensorFlowastf时出现了ImportError:DLLloadfailed:找不到指定的模块这个让我措手不及，我经历了安装VS2019、重装cuda、重装TensorFlow，耗费了一上午，没有解决问题，直到我意识到从根源上找一找DLL的问题

在linux服务器中安装了tensorflow-gpu版本，结果显示如下：importtensorflowastfprint(tf.test.is_gpu_available())#打印了：False)

Nvidia显卡$/usr/sbin/lspci|grep-invidia执行结果如下：2.检查是否安装了正确的GCC版本$gcc--version执行结果如下：二、安装CUDA与cuDNN1.查找与tensorflow-GPU

whl文件下载地址https://pypi.org/project/tensorflow-gpu/1.10.0/#files类比修改链接即可：比如下载CPU版本的https://pypi.org/project

3.创建conda环境4.设置GPU5.安装tensorflow2.126.在Pycharm里运行你的GPUTensorflow2.12代码背景从tensorflow2.10开始，已经没有tensorflow-gpu

一、前言安装时，很多人的习惯的是接近硬体的开始安装，顺序会是GPUdriver→CUDAToolkit→cuDNN→Python→Tensorflow。个人觉得这种安装方法不是很好，原因有以下，首先是这种安装比较麻烦，需要我们自己去选择相对应的cuDNN和CUDAToolkit，其次是这种安装方式不利于我们多环境下的开发（比如我们在anaconda下有多种环境需要安装不同的tensorflow-g

1.创建一个新的conda环境。condacreate-npy36_cuda10_tf1131python=3.6##创建指定python版本的conda环境sourceactivatepy36_cuda10_tf1131##激活conda环境2.安装所需版本的cuda和cudnn。可以在网站https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/ma

1.背景由于本地安装了cuda10.0,但是现在需要在Anaconda中安装不同的python虚拟环境来安装tensorflow-gpu、对应的cudatoolkit、对应的cudnn来加速，下面是具体的演示流程