TensorFlow项目GPU运行 安装步骤

步骤1：创建新环境并指定Python版本

conda create -n tf_gpu python=3.9 -y
conda activate tf_gpu 

步骤2：使用NVIDIA官方频道安装

conda install -c "nvidia/label/cuda-12.0.0" cuda-toolkit cudnn=8.9 -y

步骤3：验证CUDA安装

# 检查CUDA版本
nvcc --version  # 应显示12.0

# 检查cuDNN
cat $CONDA_PREFIX/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

步骤4：安装TensorFlow

pip install tensorflow==2.13.0

步骤5：设置环境变量

echo 'export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/' >> ~/.bashrc
source ~/.bashrc

步骤6：验证GPU可用性

import tensorflow as tf
print("TensorFlow版本:", tf.__version__)
print("GPU是否可用:", tf.config.list_physical_devices('GPU'))

备选方案（如果仍遇到依赖冲突）：

1. 使用mamba加速依赖解析

conda install -n base -c conda-forge mamba -y
mamba create -n tf_gpu python=3.9 cudatoolkit=12.0 cudnn=8.9 -c conda-forge -y

1. 使用Docker容器（推荐）

docker pull tensorflow/tensorflow:2.13.0-gpu
docker run -it --gpus all tensorflow/tensorflow:2.13.0-gpu bash

关键配置说明：

1. 使用nvidia/label/cuda-12.0.0频道确保获得官方认证的CUDA 12.0组件

2. cudnn=8.9会自动匹配兼容版本（如8.9.2）

3. 显式指定Python 3.9避免新版Python的兼容性问题

常见问题排查：
如果出现cudnn_version.h找不到的错误，执行：

bash

复制

conda install -c conda-forge cudnn=8.9 -y