软通动力亮相华为全联接2020

nvidia-smi 的输出

安装 TensorFlow

现在终于来到本教程的关键了。如果你已经完成了前述步骤，那么这一步会非常简单。

我们通过 Conda 来安装 TensorFlow 2.x。

要注意，首先进入我们之前创建的 tensorflow 环境，然后再进行操作。

如果你需要 GPU 支持，就运行以下命令：

通过 anaconda 通道安装 TensorFlow 的 GPU 支持软件。使用 conda 而非 pip 安装 TensorFlow 的一大优势是 conda 的软件包管理系统。使用 conda 安装 TensorFlow 时，conda 还会安装所有必需和兼容的依赖包。这个过程是自动的，用户无需通过系统软件包管理器或其它方式安装任何其它软件。

其中也包含 TensorFlow 或 PyTorch 所需的版本合适的 CUDA 工具包。因此，使用 conda 能让这个过程变得非常简单。

我们只能在安装了 TensorFlow GPU 的环境中看到所安装的 CUDA 工具包。这既不会影响到全局系统的 CUDA 版本，同时也能满足 TensorFlow 和 PyTorch 的不同版本 CUDA 需求。这就是使用虚拟环境的最大好处，它能让不同的虚拟环境完全隔离开。

如果一切顺利，你不会在安装过程中看到任何报错信息。

要验证 TensorFlow 和所需的软件包是否成功安装，你可以执行 conda list，这会显示已安装软件包的列表，你应该能在其中找到与 TensorFlow 相关的软件包以及 CUDA 工具包。
 

数据截至 2020 年 9 月，截图仅含部分型号。

如果你的电脑是笔记本，你应该看右边的列表；如果你的电脑是台式机，你显然就该看左边的列表。

之前已经提到，我的 GPU 是右侧列表中的 RTX 2060 Max-Q。另外，你不必在意显卡型号名称是否与该列表中的名称完全匹配，Max-Q 和 Super 的底层架构一样，只在 TDP、CUDA 核及张量核数量方面有一些差异。

比如，不管你的 GPU 是 RTX 2080 Super 还是 2080 Max-Q 又或是 2080 Super Max-Q，看列表中的 RTX 2080 就够了。但如果你的 GPU 是 RTX 2080Ti 或其它加了 Ti 的型号，则说明你的 GPU 是该系列中最高端的那一款，这些 GPU 通常在显存大小和 CUDA 核及张量核数量方面更具优势。

截至 2020 年 9 月，要使用 TensorFlow 2.0，显卡计算能力必须高于 3.5，但建议使用计算能力至少为 6 的显卡以获得更好的体验。TensorFlow 2.0 还需要 CUDA 10 版本，而这又进一步要求驱动版本至少为 418.x。

PyTorch 需要的 CUDA 版本至少为 9.2，但也支持 10.1 和 10.2。所需的计算能力至少要高于 3.0。

CuDNN：即 CUDA Deep Neural Network 软件库，这是一个用于深度神经网络的 GPU 加速原语库。cuDNN 为前向和反向卷积、池化、归一化和激活层等标准例程提供了经过高度微调的实现。

（可选）TensorRT：NVIDIA TensorRT 是一套用于高性能深度学习接口的 SDK。其包含深度学习接口优化器和运行时优化器，能为深度学习接口应用提供低延迟和高通量的特性。

安装 GPU 驱动

首先，你需要搞清楚所使用的 GPU 型号，而且你的 GPU 必须启用了 CUDA。

如果你还没有安装驱动，你可能需要运行一次 Windows 更新，它会自动处理有用软件的安装过程，比如英伟达控制面板。这能帮助你获悉 GPU 的相关信息，还有一些与本文无关的设置。

英伟达控制面板就绪之后，你可以在开始菜单打开它，也可以右键点击桌面，然后选择英伟达控制面板。

打开之后，你可以点击「帮助→系统信息」来查看 GPU 驱动版本。驱动版本号列在「细节」窗口的顶部。

（编辑：保山站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!