### TensorFlow 版本兼容 CUDA 9 为了构建一个基于 CUDA 9 的虚拟环境并运行手写数字识别任务，需要选择与 CUDA 9 兼容的 TensorFlow 版本。根据已知信息： TensorFlow 1.8 是最后一个完全支持 CUDA 9 的稳定版本[^2]。此版本可以用于 Ubuntu 和 Windows 平台，并且官方提供了 GPU 支持的功能[^1]。 #### 虚拟环境中安装 TensorFlow-GPU 1.8 以下是设置虚拟环境的具体方法以及安装所需依赖项的过程： 1. **创建 Python 虚拟环境** 使用 `venv` 或者 `conda` 创建一个新的虚拟环境。 ```bash python3 -m venv tf_cuda_env source tf_cuda_env/bin/activate ``` 2. **安装 NVIDIA 驱动程序和 CUDA 工具包** 确保系统已经安装了适合的 NVIDIA 显卡驱动（例如版本 390.87）[^2]。接着下载并安装 CUDA 9.0 工具包及其相关组件。 3. **配置 cuDNN 库** 下载对应于 CUDA 9.0 的 cuDNN v7.1.4，并按照说明将其解压到 `/usr/local/cuda` 目录下[^2]。 ```bash tar -zxvf cudnn-9.0-linux-x64-v7.1.tgz cd cuda sudo cp lib64/lib* /usr/local/cuda/lib64/ sudo cp include/cudnn.h /usr/local/cuda/include/ ``` 更新动态链接库缓存以便加载新的 cuDNN 文件： ```bash sudo chmod +r /usr/local/cuda/lib64/libcudnn.so.7.1.4 sudo ln -sf /usr/local/cuda/lib64/libcudnn.so.7.1.4 /usr/local/cuda/lib64/libcudnn.so.7 sudo ln -sf /usr/local/cuda/lib64/libcudnn.so.7 /usr/local/cuda/lib64/libcudnn.so sudo ldconfig ``` 4. **通过 Pip 安装 TensorFlow-GPU** 在激活的虚拟环境中执行以下命令来安装指定版本的 TensorFlow-GPU。 ```bash pip install tensorflow-gpu==1.8.0 ``` 完成以上步骤之后，即可在一个隔离的虚拟环境中使用 TensorFlow 1.8 进行深度学习模型开发，比如实现 MNIST 手写数字数据集上的分类任务。 --- ### 示例代码：MNIST 数据集训练简单神经网络 下面是一个简单的例子展示如何利用 TensorFlow 构建基础的手写数字识别模型。 ```python import tensorflow as tf from tensorflow.examples.tutorials.mnist import input_data mnist = input_data.read_data_sets("/tmp/data/", one_hot=True) # 参数定义 learning_rate = 0.01 num_steps = 500 batch_size = 128 display_step = 10 n_hidden_1 = 256 n_input = 784 n_classes = 10 X = tf.placeholder(tf.float32, [None, n_input]) Y = tf.placeholder(tf.float32, [None, n_classes]) weights = { 'h1': tf.Variable(tf.random_normal([n_input, n_hidden_1])), 'out': tf.Variable(tf.random_normal([n_hidden_1, n_classes])) } biases = { 'b1': tf.Variable(tf.random_normal([n_hidden_1])), 'out': tf.Variable(tf.random_normal([n_classes])) } def neural_net(x): layer_1 = tf.add(tf.matmul(x, weights['h1']), biases['b1']) out_layer = tf.matmul(layer_1, weights['out']) + biases['out'] return out_layer logits = neural_net(X) prediction = tf.nn.softmax(logits) loss_op = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2( logits=logits, labels=Y)) optimizer = tf.train.GradientDescentOptimizer(learning_rate=learning_rate) train_op = optimizer.minimize(loss_op) correct_pred = tf.equal(tf.argmax(prediction, 1), tf.argmax(Y, 1)) accuracy = tf.reduce_mean(tf.cast(correct_pred, tf.float32)) init = tf.global_variables_initializer() with tf.Session() as sess: sess.run(init) for step in range(1, num_steps+1): batch_x, batch_y = mnist.train.next_batch(batch_size) sess.run(train_op, feed_dict={X: batch_x, Y: batch_y}) if step % display_step == 0 or step == 1: loss, acc = sess.run([loss_op, accuracy], feed_dict={X: batch_x, Y: batch_y}) print(f"Step {step}, Minibatch Loss={loss:.4f}, Training Accuracy={acc:.3f}") print("Optimization Finished!") test_acc = sess.run(accuracy, feed_dict={X: mnist.test.images, Y: mnist.test.labels}) print(f"Testing Accuracy:{test_acc:.3f}") ``` ---