深度学习 SOP: conda通过命令快速构建指定版本tensorflow gpu环境。

准备工作

在这个SOP中，我不会指定任何一个版本，而是指导你如何根据你的需要的版本取去查询对应的依赖版本！这样能让这个SOP持续可用！

在开始安装之前，我们需要了解三个关键版本，这决定了环境是否能兼容运行。

• Tensorflow版本
• CUDA版本
• cuDNN版本

不用担心复杂，官方已经整理好了依赖关系，你需要做的就只有确保你的电脑已经正确安装了GPU驱动，这可以通过命令nvidia-smi来进行查看，在命令结果的右上角，你可以看到你驱动所支持的最大CUDA版本。

步骤

1. 前往TensorFlow官网查看目标版本所需依赖

经过测试的构建配置
在上方这个链接里TensorFlow官方给出了不同TensorFlow版本所兼容的CUDA和cuDNN版本。

假如现在团队要求安装Tensorflow 2.3.0版本。我们就找到这一行：

取出我们所需的三个关键版本

• Python版本：3.8
• CUDA版本：10.1
• cuDNN：7.6

当然也可以根据你的需要选择版本，主要就是取到这三个关键版本，Python版本一般选支持范围最新的就可以。

2. 创建conda环境并激活

替换team-tf23为你想创建环境名称、替换3.8为Python版本。

conda create -n team-tf23python=3.8-y conda activate team-tf23

3. 安装环境独立的CUDA/cuDNN

替换10.1和7.6为你需要的CUDA/cuDNN版本。

condainstall-ycudatoolkit=10.1cudnn=7.6

*如果慢且长时间安装不成功，请参考附录的解决方案。

4. 安装 TensorFlow

替换2.3.0为你需要的TensorFlow版本

pipinstall"tensorflow==2.3.0"

这里建议直接装 tensorflow==2.3.0。原因是 从 TF 2.1 起，tensorflow 与 tensorflow-gpu 本质上是同一个包（后来官方也明确让大家装 tensorflow）。

*如果感觉慢，或者报错433。可以尝试临时使用国内源（这里是清华源）。

pipinstall"tensorflow==2.3.0"-i https://pypi.tuna.tsinghua.edu.cn/simple

附录：

如果在第三步中感觉慢，可以尝试临时使用国内源（这里是清华源）。

condainstall-y\cudatoolkit=10.1\cudnn=7.6\-c https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge\--override-channels

或者长期更换conda源。清华源Conda换源教程
首先查看现有源。

conda config --show-sources

一般是只有一个default，通过这个命令添加自定义源（这里是清华源）。

conda config --set custom_channels.auto https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/

再次查看现有源，可以看到已经添加了清华源，此时可以再次尝试安装。

conda config --show-sources

如果出现错误，可以用这个命令移除。

conda config --remove channels 源名称

总结

本文的主要场景是针对团队合作、项目复现、导师要求等情况下需要安装【指定版本】的SOP。当然安装最新版本也可以按照这个流程自行调整。