02、Ubuntu18.04下TensorFlow2.0-GPU与PyTorch1.3【安装成功】详细步骤

东方耀

02、Ubuntu18.04下TensorFlow2.0-GPU与PyTorch1.3【安装成功】详细步骤


前提条件：
系统Ubuntu18.04下已经安装好了CUDA10.0与CuDNN7.4.2  另外Miniconda的版本为4.7.10
TensorFlow-GPU使用CUDA：v10.0这个版本（已经在系统中安装）
而查看PyTorch官网PyTorch==1.3的Stable版本只支持 CUDA v9.2和10.1版本
为了两者能共存需要用到conda的虚拟环境隔离，且看我的操作步骤！


步骤：
1、conda create -n py3_tf2_torch python=3.6.8
2、conda activate py3_tf2_torch   conda list 查看pip版本
   注意：TensorFlow 2 packages require a pip version >19.0.
3、用pip --version  pip3 --version验证是否报错 以及位置是否在虚拟环境内部
我的结果是：
pip 19.3.1 from /home/dfy888/miniconda3/envs/py3_tf2_torch/lib/python3.6/site-packages/pip (python 3.6)
pip 9.0.1 from /usr/lib/python3/dist-packages (python 3.6) 这个pip3并没有在虚拟环境内部哦
4、执行：python3 get-pip.py 升级(会安装pip3到虚拟环境内部) 这个get-pip.py文件我放附件可供下载  之后退出虚拟环境 退出终端
5、(重新打开终端并进入虚拟环境)再用pip --version pip3 --version 查看是否升级成功
同时是否在虚拟环境内部的pip和pip3命令（根据路径就能确定）
6、conda list 查看pip版本 同时发现 Build=pypi_0  Channel=pypi  再一次确认，非常好！
7、pip3 install numpy和jupyter notebook和matplotlib和nltk和scikit-learn和pandas等常用的包
8、【安装tensorflow2.0-gpu】pip3 install tensorflow-gpu （Latest stable release ）
会自动安装一些相关的依赖 没有报错就成功啦！  pip3 list 可以查看tf的版本
我的：tensorboard==2.0.0  tensorflow-estimator==2.0.1   tensorflow-gpu==2.0.0
9、通过代码测试：python3进入python环境  import tensorflow as tf   print(tf.__version__)
测试是否能使用GPU：tf.test.is_gpu_available() 返回True即可以用
10、【安装Pytorch==1.3】conda install pytorch torchvision cudatoolkit=10.1 -c pytorch
（这里选择用conda方式安装，可以帮我们自动安装10.1的cudatoolkit  速度非常快，用的清华源） 成功！
11、检测虚拟环境内pip与pip3版本与位置，conda方式安装有可能改变，否则又得执行：python3 get-pip.py
12、检查PyTorch是否使用GPU（成功）：python3进入python环境 import torch as T  
T.__version__  T.cuda.current_device()   T.cuda.device_count()  T.cuda.get_device_name(0)

测试代码用这个：分别用纯Python、TensorFlow1.X、2.X、PyTorch1.3实现同一个计算（方便比较）
地址：http://www.ai111.vip/thread-867-1-1.html


东方老师AI官网：http://www.ai111.vip
有任何问题可联系东方老师微信：dfy_88888
【微信二维码图片】

1. import os
   
2. import sys
   
3. import time
   
4. import tensorflow as tf
   
5. import matplotlib as mpl
   
6. import matplotlib.pyplot as plt
   
7. import numpy as np
   
8. import pandas as pd
   
9. import sklearn
   
10. 
    
11. from tensorflow import keras
    
12. # tf的keras 和 单独的keras
    
13. # import keras
    
14. 
    
15. print(tf.__version__)
    
16. print(sys.version_info)
    
17. for module in mpl, np, pd, sklearn, tf, keras:
    
18.     print(module.__name__, module.__version__)
    

复制代码