torch1.8.1+cu101对应的torch-geometric的torch-scatter、torch-sparse、torch-cluster和torch-spline-conv四个库下载地址 tensorflow 安装GPU版本,CUDA与cuDNN版本对应关系,RTX3050Ti Win10安装GPU版本的Tensorflow 2.1 Could not load dynamic library ‘cublas64_10.dll‘; dlerror: cublas64_10.dll not found ...
然后,尝试分别新建conda环境用pip命令安装tensorflow 2.13和torch 2.1.2,装完后发现都不能正常使用GPU。 查了查,感觉可能是nvidia驱动太老,我用nvidia-smi看是11.4,应该向下兼容11.1,但不能支持11.8。随后,安装了nvidia新驱动,用nvidia-smi看已经是12.2,但新版torch和tensorflow还是不能正常工作,感觉没能正确指定cuda...
TensorFlow 有两个版本:CPU 版本和 GPU 版本。GPU 版本需要 CUDA 和 cuDNN 的支持,CPU 版本不需要。如果你要安装 GPU 版本,请先在这里 确认你的显卡支持 CUDA。 CPU的版本安装很简单,我是在Anaconda下采样pip的方式安装的: Anaconda Prompt模式下,使用命令: pip install tensorflow 1. 可以使用如下代码来测试,...
因为tf和torch默认会reserve memory block，数据本身是分块存在gpu上的，一片连续的memory需要提前准备更多...
总的来说，虽然在安装过程中遇到了一些困难，但通过细心排查和调整，成功在 Ubuntu 20.04 系统上安装了更新的 torch 和 tensorflow 版本，实现了 GPU 支持，提高了深度学习任务的执行效率。这一过程不仅加深了我对深度学习框架的理解，也锻炼了我在系统环境配置和问题解决方面的技能。
1. 安装GPU版本的tensorflow 1.1 安装 python3.7下只有tensorflow1.13以上,这里我安装Python3.6,然后依据安装好的cuda和cudnn版本查看对应的tensorflow版本: 已安装:kuda 9.0 cudnn 7.6 ,因此选择TensorFlow 1.12 pip3 install tensorflow-gpu==1.12 等待一会,安装完毕之后我们来测试一下吧。