### 安装 CUDA 和 CuDNN 后 TensorFlow 和 PyTorch 的兼容性配置 在成功安装 CUDA 和 cuDNN 后，为了确保 TensorFlow 和 PyTorch 能够正常运行于 GPU 加速环境下，需注意两者之间的版本兼容性和具体安装流程。 #### 1. 创建独立的虚拟环境 为了避免依赖冲突，推荐分别为 TensorFlow 和 PyTorch 创建单独的 Anaconda 或 Python 虚拟环境。通过这种方式可以隔离不同框架所需的库及其版本需求[^1]。 ```bash # 创建 TensorFlow 环境 conda create -n tensorflow_env python=3.9 conda activate tensorflow_env # 创建 PyTorch 环境 conda create -n pytorch_env python=3.9 conda activate pytorch_env ``` #### 2. 配置 TensorFlow 环境 对于 TensorFlow，需要确认其支持的 CUDA 和 cuDNN 版本范围，并依据官方文档选择合适的 TensorFlow 发布版。例如，如果已安装 CUDA 12.1，则应选用与其匹配的 TensorFlow 版本： ```bash pip install tensorflow==2.13.0 ``` 此操作会自动拉取必要的依赖项（如 `tensorflow-gpu`），并验证本地 CUDA 及 cuDNN 是否满足最低要求。 #### 3. 配置 PyTorch 环境 针对 PyTorch，同样要参照所使用的 CUDA 版本来决定具体的安装指令。假设当前系统上部署的是 CUDA 12.1，那么可以通过以下命令完成安装[^4]: ```bash pip install torch==2.3.1 torchvision==0.18.1 torchaudio==2.3.1 --index-url https://download.pytorch.org/whl/cu121 ``` 上述方法能够保证下载到适配指定 CUDA 平台的预编译包集合。 #### 4. 测试安装效果 无论是 TensorFlow 还是 PyTorch，在完成全部设置后都应当执行简单的脚本以检验 GPU 支持状况是否良好。 ##### 对于 TensorFlow： ```python import tensorflow as tf print("Num GPUs Available: ", len(tf.config.list_physical_devices('GPU'))) ``` ##### 对于 PyTorch： ```python import torch if torch.cuda.is_available(): print(f"CUDA Version: {torch.version.cuda}") else: print("No available GPU.") ``` 以上代码片段分别用于检测两个深度学习框架能否识别到可用的 NVIDIA 显卡资源。 --- ####