Tensorflow-gpu1.x版本和Tensorflow-gpu2.x版本共存之法

朱雀 2022-10-14 13:53 238阅读 0赞

### 文章目录 ###

*  内容介绍
 *  安装tensorflow-gpu1.13.1
 *  安装tensorflow-gpu2.0.0

# 内容介绍 #

本篇介绍如何在Windows10系统下让 **Tensorflow-gpu1.X 版本**和 **Tensorflow-gpu2.X** 版本共存，且可以满足日常工作。

要把需要用到的软件下载好，尤其要注意并不是最新版就是最好的，而是需要挑选相对稳定的，相互冲突少的。

这里推荐的2个共存版本分别是 **Tensorflow-gpu1.13.1**（虚拟环境）和 **Tensorflow-gpu2.0.0**（开发环境）。

可以看下我的工程目录。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]  
以我笔记本显卡 **NVIDIA-GTX-1060** 举例，如果你的显卡不是这个版本的查看我的另外一篇文章 [Win10+Python3.8+Tensorflow-gpu 2.4.0 环境搭建及使用最简流程][Win10_Python3.8_Tensorflow-gpu 2.4.0]，查询你显卡的对应版本。

<table> 
 <thead> 
  <tr> 
   <th align="center">需要安装插件</th> 
   <th align="center">TF1.x 依赖及版本</th> 
   <th align="center">TF2.x 依赖及版本</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td align="center">Python版本</td> 
   <td align="center">3.6.x</td> 
   <td align="center">3.6.x</td> 
  </tr> 
  <tr> 
   <td align="center">TF-GPU版本</td> 
   <td align="center">1.13.x</td> 
   <td align="center">2.0.0</td> 
  </tr> 
  <tr> 
   <td align="center">CUDNN</td> 
   <td align="center">7.3.1</td> 
   <td align="center">7.3.1</td> 
  </tr> 
  <tr> 
   <td align="center">CUDA</td> 
   <td align="center">10.0</td> 
   <td align="center">10.0</td> 
  </tr> 
 </tbody> 
</table>

# 安装tensorflow-gpu1.13.1 #

如果没有安装anaconda，先自行安装。

**1.创建虚拟环境 tf113**

# 在cmd以管理员身份运行
    conda create -n tf113 python=3.6.9

**2.激活 tf113 安装 cudatoolkit 及 cudnn**

# 查看可供安装的版本
    conda search cudatoolkit

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]

# 安装10.0.130
    conda install cudatoolkit=10.0.130
    
    # 查看cudnn的版本
    conda search cudnn

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]

# cuda10.0的cudnn有两个版本，选择一个
    conda install cudnn=7.3.1
    
    # 查看tensorflow-gpu可供选择的版本
    conda search tensorflow-gpu

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]

# 安装该版本
    conda install tensorflow-gpu=1.13.1

# 安装tensorflow-gpu2.0.0 #

# 在cmd以管理员身份运行
    conda create -n tf200 python=3.6.2
    
    # 激活虚拟环境tf200 
    conda activate tf200
    
    # 安装cuda 
    conda install cudatoolkit=10.0.130
    
    # 安装cudnn
    conda install cudnn=7.3.1
    
    # 安装tensorflow-gpu 2.0.0 
    # 注意：conda search tensorflow-gpu 2.0.0 的库中如果没有该版本的tf包则用pip进行安装
    pip install tensorflow-gpu==2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple

测试tf2.0。

import tensorflow as tf
    version = tf.__version__
    gpu_ok = tf.test.is_gpu_available()
    print("tf version:",version,"\nuse GPU",gpu_ok)
    
    >>> tf version: 2.0.
    >>> use GPU True

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70]: /images/20221014/10ed1c2b3ae0407f8e9927372489fb8a.png
[Win10_Python3.8_Tensorflow-gpu 2.4.0]: https://blog.csdn.net/qq_20288327/article/details/115503516
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 1]: /images/20221014/d03bb551540e4e739e39c61ba7292b74.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 2]: /images/20221014/daeaf0bf507d4917bec9bb6bea4518a1.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxXzIwMjg4MzI3_size_16_color_FFFFFF_t_70 3]: /images/20221014/d5409391866e43a590d5a9311b67c345.png