【日常学习】使用anaconda管理环境并安装cuda和cudnn和tensorflow

一 ubuntu20.04安装 1 前言 我们进行双系统的安装 电脑起初是win10系统，在此基础上留出80G“为分配”的空间来装载ubuntu20.04系统，按照下列方法进行安装，亲测有效。 安装ubuntu前，电脑基本配置是： WIN10； GeForce GTX 1650； i7-9750H CPU； 7.6 GiB； 512.1 GB SSD ； 2 方式 推荐跟着视频一步步地进行操作，亲测有效。 视频教程链接：【ubuntu20.04】10分钟win10安装ubuntu20.04双系统（无需Bio

关注“哪儿趣”，不定时更新，选择“星标”或“置顶”，第一时间获取原创质量文章。本文大约9000字，预计阅读时间22分钟。本文链接Github：https://github.com/kangzhiheng/GitLocalDoc个人网站：https://kangzhiheng.top/post/10-服务器环境搭建、配置及使用系列文章导读：本系列文章《深度学习环境搭建、配置及使用》...

首先，点击以下连接，下载指定版本的torch和torchvision，torch大约500M，torchvision非常小，torch下载的时候建议用迅雷下载，稳定、快速，真的好用。在Ubuntu、Windows开发环境，尤其是按照官网教程，安装pytorch并不是一件容易的事，下面介绍一种简单高效的安装技巧，本人有着管理大规模服务器的经验，也安装过各种环境、各种版本的pytorch几十次了。默认版本的Python，3.6的对应的是 Anaconda3-5.2，5.3以后的都是python 3.7。

教你安装Anaconda、Pytorch、Cuda、Python这些工具，以及捋清他们的关系。

之前安装了CUDA，与Pytorch，但是当把自己的数据放到GPU上训练的时候（代码部分已经写清楚放到CUDA上），发现GPU的占用率很低，CPU的占用率高达90%，后来发现是显卡的驱动与自己安装的CUDA并不匹配，pytorch与cuda的版本也不匹配。在此记录下自己查了很多资料得到的理解。 1.安装Anaconda 点击安装Anaconda ......

一、首先要搞清楚的问题 1) 关于显卡驱动 显卡驱动是我们使用显卡的最基础的条件，没有显卡驱动就没有办法使用显卡；但是，对于机器学习或者深度学习环境的配置来说，不必过多的关注显卡驱动，我们要做的只是要看看我们的显卡驱动是不是版本过低，因为每一个版本的 cuda toolkit 都有一个最低版本的显卡驱动要求【如果版本过低或者不是 NVIDIA 驱动，因为CUDA Toolkit本地安装包内含特定版本Nvidia显卡驱动，下面安装 cuda 中可以选择更新显卡驱动】 显卡驱动版本一定不能低，而且支持向后兼容

本文提供了一份详细的Windows10系统下，使用Anaconda管理工具，快速部署支持GPU加速的TensorFlow深度学习环境的完整指南。文章重点讲解了CUDA 11.0与cuDNN的安装配置、创建独立的Conda虚拟环境、安装指定版本的TensorFlow，并通过实战测试验证GPU调用成功。旨在帮助开发者和学习者避开版本兼容性陷阱，高效搭建稳定的AI开发环境。

本文介绍了如何在星图GPU平台上一键自动化部署深度学习项目训练环境镜像，快速搭建从Anaconda到CUDA的完整开发环境。该镜像支持主流深度学习框架如PyTorch和TensorFlow，可高效应用于图像识别、自然语言处理等AI模型的训练与推理任务，显著提升开发效率。

自然语言环境的基础环境和工具简介

本文提供Windows 10系统下TensorFlow 2.8.0 GPU环境搭建的完整指南，涵盖Miniconda安装、CUDA 11.4配置及cuDNN部署等关键步骤。通过详细的避坑技巧和验证方法，帮助开发者高效完成深度学习环境配置，确保GPU加速功能正常启用。

在Ubuntu 20.04系统上完整配置深度学习环境，涵盖Anaconda虚拟环境搭建、NVIDIA显卡驱动、CUDA与cuDNN安装，以及TensorFlow-gpu 2.5.0和PyTorch的GPU版本部署，最后配置PyCharm开发工具，全过程亲测有效，适合本地双系统部署。

本文详细介绍了如何在Win11系统下使用Anaconda虚拟环境管理TensorFlow GPU版（RTX3050实测），解决CUDA、cuDNN与TensorFlow版本兼容性问题。通过创建独立虚拟环境、配置RTX3050专属工具链、环境验证与性能测试等步骤，帮助开发者高效管理深度学习开发环境，提升工作效率。

【深度学习环境】安装Win10 + Ubuntu18.04 过程 【时间：2018.10.4】 硬件配置 主板：华硕 Z370-A 显卡：1070Ti-8G 双系统安装：Win10+Ubuntu 18.04 首先解决个问题 关于win10引导ubuntu的问题，因为ubuntu安装完成后，会自动完成引导win10的情况， 但 不想使用easyDCB的方式，所以就直接用ubuntu的方式。。。。...

本文详细记录了在Windows 10系统下搭建TensorFlow-GPU深度学习环境的完整流程，涵盖GPU驱动、CUDA 11.2与cuDNN 8.1.1的版本匹配、安装配置及环境变量设置，并通过实际测试验证GPU可用性，解决常见兼容性问题。

通过本指南，用户可以顺利在 Windows 10 上搭建和共存的 GPU 加速环境。通过Anaconda 虚拟环境，不同版本的 TensorFlow 及其依赖项被有效隔离，避免了兼容性问题。在配置过程中，确保选择匹配的 CUDA 和 cuDNN 版本，并正确安装所需的 Python 版本。此外本文提供了安装验证方法，确保 GPU 加速正常运行。希望本指南能够帮助开发者高效地管理 TensorFlow 版本，实现灵活的深度学习开发。

在windows10/11上安装Tensorflow2.0 CPU+GPU版本

进入虚拟环境后，开始安装必要的AI开发库。建议使用官方推荐的安装命令，这样可以自动安装兼容的CUDA和cuDNN版本。这个脚本能够自动检测系统类型，下载对应版本的Anaconda，创建虚拟环境并安装所有必要的AI开发库。今天就来分享一下我的经验，从下载Anaconda到配置完整的AI开发环境，全程干货无水分。比如使用清华镜像源加速包下载，设置conda和pip的缓存路径，以及配置Jupyter Notebook的默认工作目录。对AI开发很友好，内置了常用的AI开发环境，省去了繁琐的配置过程。

TensorFlow 是一个开源的端到端机器学习平台，其核心依赖于 Python 生态、CUDA 加速库及版本严格的二进制兼容性。在 Ubuntu 20.04 这类长期支持（LTS）系统中，由于默认缺少 pip、venv 等基础工具，且内核与 NVIDIA 驱动存在适配边界，导致安装过程极易因版本错配而失败。关键原理在于：TensorFlow 2.10 是最后一个官方支持 CUDA 11.2 的稳定版本，而 pip 21.3.1 是唯一能正确解析其 wheel 元数据的构建工具链；二者共同构成 Ubuntu

本文提供Windows 10下使用Miniconda配置TensorFlow 2.8.0 GPU环境的完整指南，涵盖环境准备、虚拟环境创建、TensorFlow GPU版安装及常见问题排查。通过详细步骤和版本兼容性建议，帮助开发者高效搭建深度学习环境，充分利用GPU加速训练。