cudnn

我安装tensorflow-gpu的时候走了很多弯路，入了很多坑，所以特此写下攻略希望能帮助到更多小白。 安装前：请先安装pycharm，对于windows来说我推荐安装pycharm。安装好pycharm后，要添加环境： 然后下载pip，pip换源后速度大大加快！！！ pip下载方法: https://jingyan.baidu.com/article/9f7e7ec0635a122f2915546c.html 下方网址pip换源： https://blog.csdn.net/wls666/article/details/95456309 接下来开始安装tensorflow。 第一步，确定你的安装类型:1)支持GPU类型，还是2）CPU类型 一.如果安装cpu版，直接输入pip install tensorflow，不加版本号默认下载最新版本 。 二.安装GPU版本 我安装了python3.7，pycharm2017，tensorflow-gpu==1.13.1，cuda10.0，cudnn7.6.3 1.从官网下载cuda: CUDA官网：https://developer.nvidia.com/cuda-downloads 下载好后一直单击next就好不需要点其他的。 添加环境： 2.下载cudnn： cudnn下载需要注册账号 cudnn下载网址：https:/

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 来源： https://blog.csdn.net/sinat_38354963/article/details/102759790

Yolo-v3 and Yolo-v2 for Windows and Linux（适用于Windows和Linux的Yolo-v3和Yolo-v2） (neural network for object detection) - Tensor Cores can be used on Linux and Windows （用于目标检测的神经网络）-张量核可以在Linux和Windows上使用 More details 更多细节: http://pjreddie.com/darknet/yolo/ Requirements (and how to install dependecies) Pre-trained models Explanations in issues Yolo v3 in other frameworks (TensorRT, TensorFlow, PyTorch, OpenVINO, OpenCV-dnn,…) Datasets Improvements in this repository How to use How to compile on Linux Using cmake Using make How to compile on Windows Using CMake-GUI Using vcpkg Legacy way How to train

Tensorflow环境安装 Windows安装 一、安装Anaconda 点击 这里 下载Anaconda进行安装，跟普通软件一下双击打开安装即可。 安装时候勾选该项： 验证：在cmd窗口输入 conda list 二、安装CUDA 点击 这里 下载CUDA10版本，下载后跟普通软件一样双击打开安装。 安装时候选择自定义安装避免报错： 去掉如下图的选项： 对于显卡驱动，win系统会安装显卡驱动，而CUDA也带有显卡驱动，此时需要保证的是：如果电脑安装的显卡驱动版本要高于CUDA自带的显卡驱动，则 不需要选中下面选项 ： 验证：查看是否存在该文件 三、安装cuDNN 点击 这里 下载跟CUDA 同版本 的cuDNN cuDNN不是应用软件，直接解压复制到CUDA安装文件夹即可。 验证：该文件目录下存在该文件： 四、PATH配置 在环境变量中做如下改变： 确认： 五、测试CUDA 在cmd中执行：nvcc -v 六、Tensorflow安装 目前Tensorflow提供1.x和2.0版本： 去py文件中执行： import tensorflow as tf # 查看tf的版本号 print(tf.__version__) # 测试gpu版本是否可用 print(tf.test.is_gpu_available()) #输出True说明gpu正常 Linux安装 视频教程： 点击查看

文章目录 从零开始搭建Win10深度学习环境 Anaconda配置流程 1. 安装Anaconda 2. 添加conda镜像 3. 添加pip镜像 4. 修改Jupyter Notebok的默认工作路径 5. 添加Anaconda环境变量 6. jupyter中添加conda虚拟环境 CUDA和cudnn配置流程 1. 查看计算机显卡型号： 2. 查看显卡是否支持CUDA版本 3. 查看tensorflow版本对应的CUDA和cudnn版本 4. 安装CUDA 9.0 4. cudnn库下载 TensorFlow-gpu配置流程 1. 安装TensorFlow 2. 测试TensorFlow keras配置流程 1. 安装keras 2. 测试keras PyTorch-gpu配置流程 1. 安装PyTorch 2. 测试PyTorch PyCharm配置流程 1. 安装PyCharm 2. 配置PyCharm与TensorFlow 3. 配置PyCharm与Pytorch 从零开始搭建Win10深度学习环境 系统：Windows10 Anaconda：Anaconda3-5.3.1 CUDA版本：CUDA 9.0 cudnn版本：cudnn-9.0-windows10-x64-v7.4.1.5 Tensorflow版本：Tensorflow-gpu 1.12.0 keras版本

Windows下关于解决tf-GPU和CUDA、CUDNN的匹配问题 （之前在Win上都是用的cpu版本，这次试一下GPU的） 在安装anaconda的情况下 使用anaconda prompt直接输入conda install tensorflow-gpu==1.9.0（版本号可以自己调） 然后会自动安装适配所有相关的cudnn等库 傻瓜操作，非常方便，真香！ 来源： CSDN 作者： 大大大宸哥 链接： https://blog.csdn.net/weixin_40727998/article/details/86769952

0 背景 我们在用不同框架做深度学习时，难免会遇到需要不同版本的cuda和cudnn版本的情况，如果把原来版本的卸载掉重新安装新版本，则会影响其它框架的使用，最好的方法是在主机上安装多个版本的cuda和cudnn，需要用到哪种就切换到哪种，这样就免去了重复卸载安装的工作 关于tensorflow对应的cuda和cudnn版本，参考 官网链接 1 查看当前版本 cuda一般安装在 /usr/local/cuda/ 路径下，该路径下有一个version.txt文档，里面记录了cuda的版本信息 cat /usr/local/cuda/version.txt 但是如果安装了多个cuda，实际使用的可能不是/usr/local/cuda/下边的版本，这个时候需要使用nvcc -V指令来查看实际使用的cuda版本 同理，cudnn的信息在其头文件里 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 2 更换cuda版本 2.1 安装cuda 首先在官网下载自己所需的cuda版本，比如我们需要新安装10.1版本的cuda，在官网根据自己系统选择对应的文件 我这里选择ubuntu16.04的runfile文件，运行以下指令安装 wget http://developer.download.nvidia.com/compute

最近在笔记本尝试安装深度学习环境，安装过程中采坑蛮多，索性环境最终配置成功，现在做一篇关于安装流程与遇到的坑的总结。 1.安装版本列表 系统：Windows10 Anaconda：Anaconda3-5.3.1 CUDA版本：CUDA 9.0 cudnn版本：cudnn-9.0-windows10-x64-v7.6.2 Tensorflow版本：Tensorflow-gpu 1.13.1 keras版本：keras-2.2.4 2.Anaconda安装 Anaconda 可用于多个平台（ Windows、Mac OS X 和 Linux）。你可以在 Anaconda官网 上找到安装程序和安装说明。根据你的操作系统是32位还是64位选择对应的版本下载。 这里有一个小坑，上面选操作系统时记得确认下，可能是我的笔记本显示屏色域太垃圾，下错过操作系统。然后根据自己电脑选64位或者32位。 Anaconda过程安装过程简单，打开安装包后选择好路径后就能安装。 安装启动前若不勾选上第一项，则需在软件安装完成手动添加环境变量。 3.安装CUDA和CuDNN 这里应该是采坑最多的地方了，主要问题集中在，CUDA版本的选择和安装包的安装上。 查看tensorflow版本对应的CUDA和cudnn版本 可以直接从 TensorFlow官网 查看。开始安装时查看过一些教程，很多把这步直接省略了

1.安装anaconda Anaconda 官网下载地址： https://www.continuum.io/downloads 下载后双击安装包一路下载即可。可选择安装路径，记得一定要点√添加路径。 验证：之后看菜单中是否有anaconda3 2.Cuda+cuDNN+tensorflow-gpu 之前安装需要查TensorFlow版本与cuda适配rutensorflow 1.5.0支持cuda9.0,cuda9.0对应的cuDNN等等。 ①现在点击anadconda中Anaconda Prompt,进入到一个控制台后 ②创建一个虚拟环境.tensorflow2.0_gpu:虚拟环境名字,python=3.7：搭建虚拟环境是用python3.7这个版本建立的 在命令行中输入： conda create -n tensorflow2.0_gpu python=3.7 ③激活环境 在命令行中输入： conda activate tensorflow2.0_gpu ④安装TensorFlow2.0 可以在图中看到，在这一步anaconda就直接给我们安装好了cuda和cudnn，非常的方便。 在命令行中输入： pip install tensorflow-gpu==2.0.0-alpha0 pip install --upgrade --pre tensorflow -i https

一、安装显卡驱动 1.选择合适自己电脑的驱动： （1）： Nvidia官网下载驱动 可以根据自身电脑的情况对应选项，获得推荐的版本。 （2）：通过终端命令行查看自己电脑的所支持的驱动版本： sudo apt-cache search nvidia* 貌似能支持的显卡驱动版本最新到384，但官网的推荐是最新版本430版本，看别的文章也指出可以使用最新版本。 2.安装驱动 （1）通过系统的更新安装驱动： （A） 更新apt-get源列表 sudo apt-get update sudo apt-get upgrade （B） 添加驱动源 sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt-get update 然后在软件和更新的附加驱动里面就可以找到系统推荐的驱动了！ 点上它后点击apply changes，等待五分钟左右驱动安装结束，然后 重启 电脑，你会发现界面都变得正常了。 一定记得重启！一定记得重启！ （C）检测安装情况： nvidia-settings 或者使用：可以查看到显卡的信息和驱动安装的信息 nvidia-smi （2）使用下载好的驱动文件在无图形界面安装： （A） 删除之前安装的驱动： sudo apt-get remove --purge nvidia* 如果之前没有原始驱动则会提示：没有原有驱动