TensorFlow的版本与CUDA等适配问题

新手小白，之前一直用CPU训练简单任务，处理的数据量大了之后，CPU明显乏力，一个通宵都跑不出结果（换成GPU训练之后十分钟就能完成），记录一下安装过程，断断续续安装了三天才搞好。小白第一次用GPU训练，艰难配置好环境。

安装CUDA10.1，TensorFlow1.15 后，运行深度学习模型，遇到的各种问题Could not load dynamic library 'cudart64_100.dll'; dlerror: cudart64_100.dllCould not create cudnn handle: CUDNN_STATUS_ALLOC_FAILEDResource exhausted: OOM when allocating tensor with shape[8,32,256,256] Could no

一、硬件要求 官网链接： https://developer.nvidia.com/cuda-gpus 选则自己显卡类型对应的NVIDIA系列，可以得到显卡的计算能力（compute capability） 注意标注Notebook的为笔记本电脑 二、软件要求 1. 了解tensorflow各个版本需要的CUDA版本以及Cudnn的对应关系 注意记下自己需要的tensorflow版本、CUDA版本、Cudnn版本 https://www.tensorflow.org/install/source#co

Linux Server，Tensorflow，GPU加速，CUDA版本不兼容，无superuser权限

并回车可自动修改用户配置文件，将Anaconda3自动添加到环境变量。可更改安装位置，直接回车下一步表示使用默认位置（当前用户的主目录）cuDNN的安装即把必要的文件移动到CUDA的对应目录下即可。查看conda版本信息，正常显示conda版本信息则安装成功。当看到此提示即表示Anaconda3已经安装完成，输入。即可查看CUDA 版本，正常显示版本信息则安装成功。如果TensorFlow安装成功，则继续执行。如果没有在此输入yes，则需要修改配置文件。如果可以正常显示版本信息则安装成功。

前言 近日琐事已了，又想在coursera上继续选修课程，看好了一门帝国理工开设的tensorflow2.0专授课程TensorFlow 2 for Deep Learning Specialization。 https://www.coursera.org/specializations/tensorflow2-deeplearning 摘要 针对自己的笔记本显卡，配置如下 gpu版本的tensorflow2 CUDA cuDNN tensorflow-gpu 搭建虚拟环境 pip instal

特别说明： 0. Caffe 官网地址：http://caffe.berkeleyvision.org/ 1. TensorFlow官网地址：http://tensorflow.google.cn 1. 本文为作者亲自实验完成，但仅限用于学术交流使用，使用本指南造成的任何不良后果由使用者自行承担，与本文作者无关，谢谢！为保证及时更新，转载请标明出处，谢谢！ 2. 本文使用2017年12月2

Tensorflow与cuda版本关系（附加多个cuda版本安装） 多说一句 如果，在网上down的代码用的tf的版本与你本机cuda不一致的话，可以在本机安装多个cuda版本，到时候再根据你自己的项目来选择使用哪个版本的cuda（就我本机win10为栗子） 1.安装cuda，这一步在网上太多教程，随便找个就行（cuda安装教程（windows）） 2.一般来说，如果cuda默认安装，路径应该与我上面贴出来的图中的路径一致：C:\Program Files\NVIDIA GPU Computing To

对于刚使用Tensorflow的友友来说配置环境并使用GPU进行加速也是件令人头疼的事情，纯自己折腾会遇到比较多的坑，所以这里详细介绍一下Tensorflow的环境配置

Tensorflow2.0 安装cuda和cudnn进行深度学习训练 本文将讲述安装tensorflow2.0 和与其相匹配的cuda和cudnn的环境配置，来进行深度学习训练，本主主要讲解环境的配置 我的显卡是nvidia 1650，我摸索了挺久才发现的安装方法，可能不是完全准确，不一定按照我的来，写这篇文章主要为了我以后安装方便，记一个笔记，作为参考就行，本文是从0开始 了解显卡型号所对应的cuda版本 首先需要了解自己是什么显卡，这里有些人可能忘记了自己大概是什么显卡，这里需要打开自己的设

一、首先要搞清楚的问题 1) 关于显卡驱动 显卡驱动是我们使用显卡的最基础的条件，没有显卡驱动就没有办法使用显卡；但是，对于机器学习或者深度学习环境的配置来说，不必过多的关注显卡驱动，我们要做的只是要看看我们的显卡驱动是不是版本过低，因为每一个版本的 cuda toolkit 都有一个最低版本的显卡驱动要求【如果版本过低或者不是 NVIDIA 驱动，因为CUDA Toolkit本地安装包内含特定版本Nvidia显卡驱动，下面安装 cuda 中可以选择更新显卡驱动】 显卡驱动版本一定不能低，而且支持向后兼容

tensorflow-gpu版本对应关系。

cuda和tensorflow对应关系 linux:\color{#9400D3}{linux:}linux: 查看cuda版本： cat /usr/local/cuda/version.txt 查看cudnn版本： cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 windows:\color{#9400D3}{w...

资料来自官方：hl=en。

pytorch和TensorFlow（CPU和GPU版）以及CUDA和cuDNN的安装教程，还有血泪踩坑史

Tensorflow与CUDA、cuDNN等的版本依赖关系 https://www.tensorflow.org/install/source#tested_build_configurations https://www.tensorflow.org/install/gpu#software_requirements