准备工作： 在开始安装前，如果你的电脑装过tensorflow，请先把他们卸载干净，包括依赖的包（tensorflow-estimator、tensorboard、tensorflow、keras-applications、keras-preprocessing），不然后续安装了tensorflow-gpu可能会出现找不到cu
转载
2024-02-05 11:22:23
203阅读
刚开始接触深度学习，因为有的教程是基于pytorch有的是基于tensorflow，前几天安装完成了pytorch，现在安装一下tensorflow，查看pytorch安装教程请移步： 文章目录前言1 cuda安装2 cuDNN安装3 tensorflow 安装 前言tensorflow的安装过程比pytorch要复杂一些，一定要仔细，不然很容易安装错。 安装tensorflow前需要安装cuda
转载
2024-05-07 15:05:44
67阅读
本指南说明了如何在 Windows 系统上安装 TensorFlow。选择准备安装的 TensorFlow 类型从以下选项中选择您需要安装的 TensorFlow 类型：仅支持 CPU 的 TensorFlow。 如果系统无 NVIDIA® GPU，则必须安装该版本。需要说明的是，该版本的 TensorFlow 相比另一版本更容易安装（通常 5 到 10 分钟即可完成安装），因此即使系统包含 NV
转载
2024-05-27 22:48:42
117阅读
前言、Tensorflow版本对应问题前排友情提醒，若电脑无独立显卡，请不用安装GPU版本，乖乖的安装CPU版本吧 目前已被验证的最新版兼容的各部分版本如下：tensorflow - 2.1python - 3.7.6cudatoolkit - 10.1cudnn - 7.6.5 若想了解旧的Tensorflow版本以及对应的cuda、cudnn版本，请访问Tensorflow官网，并下滑至最底部
转载
2024-08-30 21:18:22
309阅读
新手小白安装过程中遇到种种问题，大概花了两天的时间去安装tensorflow-gpu,其他相关概念在这里就不多提了，直接就是进入安装的需要。这里安装的tensorflow-gup==1.9.0版本，对应的python是3.6。一、确定自己的显卡支持CUDA1、查看自己的显卡：设备管理器-显示适配器 2、找到对应的显卡：https://developer.nvidia.com/cuda-gpus二、
转载
2024-05-16 11:13:02
0阅读
一、搭建Tensorflow（CPU版本）1、安装前准备在Tensorflow官网的安装向导中可以看到，tf有两个版本，分别为CPU和GPU版本，两个版本的区别在于：GPU版本依赖于NVIDIA（英伟达™）GPU（图形处理器，即显卡），并且通过NVIDIA提供的运算平台CUDA(Compute Unified Device Architecture)及cuDNN（CUDA Deep Neural
转载
2024-05-07 11:14:41
776阅读
0 前言 TensorFlow 2.0，今天凌晨，正式放出了2.0版本。不少网友表示，TensorFlow 2.0比PyTorch更好用，已经准备全面转向这个新升级的深度学习框架了。本篇文章就带领大家用最简单地方式安装TF2.0正式版本（CPU与GPU），由我来踩坑，方便大家体验正式版本的TF2.0。废话不多说现在正式开始教程。 1 环境准备 我目前是在Windows10上面，使用con
转载
2024-07-26 15:34:49
317阅读
安装说明版本：GPU版本、CPU版本。如果硬件支持，推荐安装GPU版本。安装方式：pip方式、Anaconda方式。本文教程采用Anaconda方式。Tips:1.查找需要安装的TensorFlow版本支持的python版本，目前在Windows上支持python3.6x。2.如果安装GPU版本，需要安装对应版本的CUDA和CUDNN。安装环境1.Anaconda下载安装下载地址：https://
转载
2024-04-23 10:10:19
101阅读
TensorFlow可以同时支持CPU和GPU上运行，CPU版本具有很强的通用性，它对硬件的要求不高、安装方便，适合刚接触深度学习的开发者，但是它的数据处理效果没有GPU版本好。GPU版本面向的是大规模无相互联系的数据，具有更大的计算量和吞吐量，所以更多专业深度学习开发者或公司都会选择使用GPU版本。下面进行TensorFlow-GPU版本的Windows和Linux环境的安装介绍。需要安装的软件
转载
2024-02-06 20:59:22
84阅读
本章是在查阅《Tensorflow实战Google深度学习框架》和黄文坚《Tensorflow实战》以及网上各种资源，针对安装和配置过程中出现的给种错误总结出来的，由于本人水平实在太低，如有错误，望大家不要太过计较。首先是tensorflow的安装，本人使用的是ubuntu18.04系统，电脑显卡low，安装不了GPU版本，所以本章仅讨论的是CPU版本。1. pip安装sudo apt-get i
转载
2024-05-13 08:15:41
45阅读
如何基于Anaconda安装tensorflow-gpu报告实验环境：Windows 10 64位操作系统NVIDIA驱动程序版本419.72目录如何基于Anaconda安装tensorflow-gpu报告实验环境：一、 为什么要使用tensorflow二、 安装流程1. 安装前的明确2. 详细步骤1）CUDA安装配置2）CuDNN安装配置3）Tensorflow安装Tensorflow环境
转载
2024-06-19 18:01:19
78阅读
Windows10下配置TensorFlow-GPU的详细过程导读1. 安装anaconda2. 安装cuda 和cudnn3. 下载TensorFlow-gpu和测试 导读参考了一些文章，挣扎了半天把这个环境配好了，分享一下过程。三步骤1. 安装anaconda2. 安装cuda和cudnn3. 下载TensorFlow-gpu和测试说明： 本人的显卡：GeForce GTX 750 Ti1.
转载
2024-05-30 08:46:20
60阅读
文章目录win10下tensorflow-gpu的安装1.tensorflow-gpu的安装2.安装CUDA及报错改正3.下载CUDNN及后续操作 win10下tensorflow-gpu的安装GPU对神经网络模型的训练具有很大的作用，如果想要基于tensorflow做好神经网络模型构建，那么相对于tensorflow-cpu，tensorflow-gpu是我们更应该选择的，GPU资源可以更好的
转载
2024-03-21 11:04:34
195阅读
最近深度学习CPU根本不够用，老板配置了GPU 怎么能不会用呢？原来从来没有关注过的底层东西，于是乎痛下决心搞清楚原理和操作先来看看第一部分为什么GPU比CPU更diao呢？ 这里就需要从他么的区别入手那他么的区别是什么呢？ 这里就需要从他的原理出发了，由于其设计目标的不同，它们分别针对了两种不同的应用场景CPU 需要很强的通用性 为了处理各种不同的数据类型，同时又要逻辑判断又会引入大量的分支跳转
转载
2024-05-23 14:29:45
61阅读
# GPU版本、Python版本与TensorFlow版本的关系
随着深度学习的快速发展，越来越多的研究者与开发者开始使用TensorFlow进行模型训练和推断。而为了提升计算性能，许多人选择了使用GPU（图形处理单元）。在这篇文章中，我们将探讨GPU版本、Python版本与TensorFlow版本之间的关系，并通过代码示例来说明如何配置和使用这些组件。
## 1. 版本兼容性
在使用Ten
tf1.13.1 及 tf2.0.0 相关依赖及版本 硬件说明：显卡NVIDIA-GEFORCE-GTX-1060 1.驱动版本检查，并且更新显卡驱动【这一步很重要，你的驱动版本低了，cuda及cudnn就可能出错】错误：DLL load failed: 找不到指定的模块。cmd中输入：nvidia
想用自己电脑的显卡跑深度学习的代码，首先要确定自己的显卡是不是支持CUDA,这很重要，下面是参考地址：https://developer.nvidia.com/cuda-gpus 比如我的是 GeForce GTX 1060，是支持的，如图所示： 如果你的显卡是支持的，那么就可以开始下面的漫漫安装之路了，我安装包的版本是Win10、python3.6.5、tesorflow-gpu 1.8.0、C
转载
2024-05-07 16:11:10
395阅读
版本： Tensorflow 2.1.0 + CUDA 10.1STEP1查看自己电脑显卡对应的CUDA最高版本【参考链接】https://jingyan.baidu.com/article/6fb756ec4fabc4241858fbf7.html注意： 查询到的版本为对应的最高版本，可以低于该版本。如果已经下载tensorflow，则需要和tensorflow版本对应。【2.1.0以上版本的t
安装关键 对应的python版本+对应的 tensorflow-gpu版本 + 对应的NVIDIA显卡版本 + 对应的CUDA版本 + 对应的cuDNN版本 安装总结 以2019.4.15为基准，本人安装的版本如下： 最新的tensorflow-gpu-1.13.
import os if Bert_Use_GPU: os.environ['CUDA_VISIBLE_DEVICES'] = '0,1' #使用GPU0,1 else: os.environ['CUDA_VISIBLE_DEVICES'] = '-1' #使用CPU
原创
2021-08-25 14:50:25
2001阅读
