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

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。

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

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
)

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

谢谢你的第一个回答。

关于向后兼容性。

我可以用cuda-11.1和cudn 8.0.5成功安装tensorflow-2.4.0。

来源:https://www.tensorflow.org/install/source gpu