anaconda配置tensorflow-gpu和keras环境

配置篇

1.本机下载 CUDA相关

参考链接

cuda与cuDnn版本匹配关系 参考连接

2.通过anaconda创建虚拟环境

3.切换到虚拟环境

命令行打开activate gpu 切换虚拟环境下,安装tf-gpu 安装tf-gpu命令

pip install tensorflow-gpu==2.30

由于codna是纯净环境将cuda和cuDNN安装在conda里面

conda install cuda==10.2 cudnn==8.4

测试过程中可能出现丢失文件可以安装相应的CUDART64_110.dll然后丢入windows/Sysytem32文件下

下载链接

https://www.dll-files.com/cudart64_110.dll.html

4.keras安装

keras与tensorflow的版本对应关系(参考链接)

https://master--floydhub-docs.netlify.app/guides/environments/

查询得知tf2.3与keras2.4.3匹配,下面安装keras,测试内容参考测试篇keras测试

安装keras

pip install keras==2.4.3

查询虚拟环境包的安装情况,ft与keras安装成功

测试篇

1.测试tensorflow-gpu

#测试代码tf导入
import tensorflow as tf

出现success字样则无问题,如果出现找不,CUDART64_110.dll文件,可从配置篇解决问题

测试gpu是否可用

# 对于tf1,检测是否为gpu版本。
print(tf.test.is_gpu_available())




# 对于tf2,检测是否为gpu版本。




print(tf.config.list_physical_devices('GPU'))

2.keras测试

使用anaconda中jupyter测试keras

#导入mnist
from keras.datasets import mnist
(X_train,Y_train),(X_test,Y_test) = mnist.load_data()

测试训练集的维度,正常输出keras安装正常.

人生不息，折腾不止！

期待你我所期待

欢迎阅读与关注

SAY HI