TL;DR)参见以下表格:https://www.tensorflow.org/install/source#gpu

一般来说:

查看CUDA版本:

cat /usr/local/cuda/version.txt

和cuDNN版本:

grep CUDNN_MAJOR -A 2 /usr/local/cuda/include/cudnn.h

并安装如下所示的图像或这里的组合。

下面的图片和链接提供了在Linux、macOS和Windows上官方支持/测试的CUDA和TensorFlow组合的概述:

小配置:

由于下面给出的规范在某些情况下可能过于宽泛，下面是一个特定的配置:

tensorflow-gpu = = 1.12。 cuda = = 9。 cuDNN = = 7。1。4

相应的资料可在此下载。

测试的构建配置

请参考https://www.tensorflow.org/install/source#gpu获得最新的兼容性图表(官方TF车轮)。

(数据于2020年5月20日更新)

Linux GPU

Linux CPU

一样GPU

CPU一样

Windows GPU

Windows CPU

2020年12月5日更新:有关更新信息，请参阅Link For Linux和Link For Windows。

你可以在cuda 10.0上使用这个配置(10.1在3月18日不能工作)，这为我运行:

tensorflow > = 1.12.0 tensorflow_gpu > = 1.4

安装tensorflow版本:

pip install tensorflow-gpu==1.4.0

我错误地安装了CUDA 10.1和cudn7.6。您可以使用以下配置(这适用于我-截至9/10)。：

Tensorflow-gpu == 1.14.0 CUDA 10.1 CUDNN 7.6 Ubuntu 18.04

但是我必须为它创建符号链接，因为tensorflow最初与CUDA 10一起工作。

sudo ln -s /opt/cuda/targets/x86_64-linux/lib/libcublas.so /opt/cuda/targets/x86_64-linux/lib/libcublas.so.10.0
sudo cp /usr/lib/x86_64-linux-gnu/libcublas.so.10 /usr/local/cuda-10.1/lib64/
sudo ln -s /usr/local/cuda-10.1/lib64/libcublas.so.10 /usr/local/cuda-10.1/lib64/libcublas.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcusolver.so.10 /usr/local/cuda/lib64/libcusolver.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcurand.so.10 /usr/local/cuda/lib64/libcurand.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcufft.so.10 /usr/local/cuda/lib64/libcufft.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcudart.so /usr/local/cuda/lib64/libcudart.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcusparse.so.10 /usr/local/cuda/lib64/libcusparse.so.10.0

并将以下内容添加到我的~/。bashrc, (

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/cuda/targets/x86_64-linux/lib/

如果你在jupyter笔记本上编码，并且想要检查tf使用的cuda版本，直接在jupyter单元中运行以下命令:

!conda list cudatoolkit

!conda list cudnn

检查gpu对tf是否可见:

tf.test.is_gpu_available(
    cuda_only=False, min_cuda_compute_capability=None
)

tensorflow站点中给出的兼容性表不包含cuda和cuDNN的特定小版本。但是，如果不满足特定的版本，在尝试使用tensorflow时会出现错误。

对于tensorflow-gpu==1.12.0和cuda==9.0，兼容的cuDNN版本是7.1.4，注册后可以从这里下载。

你可以检查你的cuda版本使用 学校网站——版本

使用cuDNN版本 cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2 .单击“确定”

使用Tensorflow-gpu版本 PIP freeze | grep tensorflow-gpu

更新: 由于tensorflow 2.0已经发布，我将分享它兼容的cuda和cuDNN版本(适用于Ubuntu 18.04)。

Tensorflow-gpu = 2.0.0 Cuda = 10.0 cuDNN = 7.6.0

TL;DR)参见以下表格:https://www.tensorflow.org/install/source#gpu

一般来说:

查看CUDA版本:

cat /usr/local/cuda/version.txt

和cuDNN版本:

grep CUDNN_MAJOR -A 2 /usr/local/cuda/include/cudnn.h

并安装如下所示的图像或这里的组合。

下面的图片和链接提供了在Linux、macOS和Windows上官方支持/测试的CUDA和TensorFlow组合的概述:

小配置:

由于下面给出的规范在某些情况下可能过于宽泛，下面是一个特定的配置:

tensorflow-gpu = = 1.12。 cuda = = 9。 cuDNN = = 7。1。4

相应的资料可在此下载。

测试的构建配置

请参考https://www.tensorflow.org/install/source#gpu获得最新的兼容性图表(官方TF车轮)。

(数据于2020年5月20日更新)

Linux GPU

Linux CPU

一样GPU

CPU一样

Windows GPU

Windows CPU

2020年12月5日更新:有关更新信息，请参阅Link For Linux和Link For Windows。