在Anaconda下实现tensorflow1.x-gpu和tensorflow 2.0-gpu共存 / 安装tensorflow1.13.1-gpu和tensorflow2.0-gpu踩坑记录

最新推荐文章于 2026-07-04 12:32:29 发布
原创 最新推荐文章于 2026-07-04 12:32:29 发布 · 893 阅读 · 4
本文记录在Anaconda环境下如何创建两个虚拟环境tf1和tf2，分别安装tensorflow1.13.1-gpu和tensorflow2.0-gpu，详细阐述了cuda和cuDNN的安装、版本对应，以及虚拟环境的创建和tensorflow版本的安装测试。

由于在论文复现的过程中，发现很多的论文的代码部分基于pytorch,部分又是基于tensorflow1.0和tensorflow2.0，所以这些版本不得不全部下。（落泪）

下面是自己对这个安装过程和踩坑记录的总结！！

前提：电脑能安装GPU版本！！

总的来说：就是在conda环境下创建两个虚拟环境tf1和tf2，各自环境中对应的tensorflow版本不一致，需要用哪一个就调用哪一个。

大致步骤：

  • 在自己的电脑上配置好cuda和cuDNN，并配置好系统变量
  • 安装Anaconda(这里很简单，可以参考其他博文)
  • 创建虚拟环境tf1和tf2
  • 在各自的环境中安装tensorflow1.0 和 tensorflow2.0

清晰的框架图如下：
在这里插入图片描述

详解：

  1. 安装Anaconda 对应参考博文:链接入口（在这里就不啰嗦了~
  2. 安装cuda和cuDNN （特别注意这里cuda和cuDNN的版本对应，以及后面tensorflow版本的对应）cuda和cuDNN是安装在电脑系统中的
标签
#tensorflow #anaconda #深度学习 #python #人工智能
最低0.47元/天 解锁文章
tf2-gpu2.1安装.doc
06-20
超详细tensorflow-gpu2.1.0安装过程，结合我的博客一起看。有部分摘抄网友的教程，侵删。tensorflow-gpu安装过程相当复杂，如无必要尽量安装CPU版。
Tensorflow1.x版本在服务器调用gpu
qq_62687015的博客
04-25 642
一般不升级Keras会有问题产生，需要将Keras升级到Tensorflow同样的版本。另外有些函数需要进行改变。注意：原本代码不含蓝色一块，由于调用gpu的原因添加，然后可成功调用服务器的gpu（附代码）如：修改前（此图是安装完tensorflow-gpu后，改回原来的代码，所以SGD会报错）4.程序中调用GPU。
【TensorFlow1.X】系列学习笔记【环境搭建】
yangyu0515的博客
03-23 2814
【TensorFlow1.X】系列学习笔记【环境搭建】
tf2 一机多卡训练
WGS.
02-11 2808
文章目录前言镜像分布式策略 MirroredStrategy实现代码成功运行 前言 基于docker，使用两个GPU训练自定义模型(Keras子类)。 镜像分布式策略 MirroredStrategy 分布式策略有很多，这里只介绍一种，方便快速上手，实践证明一机多卡可行 其它分布式策略详见：https://blog.csdn.net/u010099177/article/details/106074932 tf.distribute.MirroredStrategy 支持在单机多GPU上的同步分布式训练
Pytorch/TensorFlow/Paddle深度学习框架安装(GPU版本)
QuanSirX的博客
04-18 6082
Pytorch/TensorFlow/Paddle深度学习框架安装(GPU版本) 一、简介 &nbspPytorch、TensorFlow都是著名的深度学习平台，Paddle也是。Pytorch、TensorFlow很显然在国内外都很受欢迎的，学习难度是TensorFlow大于Pytorch，随着TensorFlow的发展趋势，现在学习难度已经大大降低了很多，逐渐与Pytorch持平，Pytorch、TensorFlow各有千秋，任选一个学习都没问题。这里提一提的是TensorFlow1.x版本和T
Top12：Windows下同时安装tensorflow-gpu1.X版本和tensorflowgpu2.X版本
Carl's blog
09-22 1674
Windows10环境下让tensorflow-gpu1.X版本和tensorflowgpu2.X版本共存1. 配置环境1.1 安装Anaconda1.2 安装PyCharm1.3 新建Anaconda虚拟环境2. 配置cuda&cudnn3. 配置tensorflow-gpu1.X4. 配置tensorflow-gpu2.X 如题 本篇是介绍如何让tensorflow-gpu1.X版本和2.X版本共存，且可以满足日常学习训练模型 需要用到的软件： 1. Anaconda3.x 官网链接 2. P
win10同时安装tensorflow-gpu1.x与tf-gpu2.0
ITwoniu的博客
05-30 842
为了避免二者某些包冲突，我的做法是将TF1.X(装在C盘)与TF2.0(装在固态F盘)安装在电脑不同的系统盘，而不是通过用conda创建多个虚拟环境来共存安装(这样在同一个编译器貌似无法同时切换TF+CUDA+CUDNN+python)。 1.TF1.X的安装(装在C盘) 对应版本通过官网https://tensorflow.google.cn/install/source_windows#gpu可查到。本人亲测可用的搭配如下: Win10+Anaconda3(4.2.0)+python(3.5.2)+ t
Windows11+Anaconda下TrackNetV2环境配置全攻略（附CUDA10.0避坑指南）
g5h6i7j的博客
02-25 952
本文提供了在Windows 11和Anaconda环境下配置TrackNetV2深度学习模型的完整实战指南。重点解决了TensorFlow 1.13.1与CUDA 10.0的版本兼容性难题，并分享了详细的虚拟环境创建、依赖包安装及项目运行验证步骤，旨在帮助用户高效完成环境配置并规避常见陷阱。
win10下部署基于tensorflow1.15.0的深度学习环境
夏逝不悲秋的博客
11-01 1267
由于不建议在base中直接安装tensorflow。因此需要建立一个自定义的虚拟空间。
TensorFlow GPU环境配置SOP：Conda+CUDA+cuDNN版本精准匹配指南
weixin_34356310的博客
06-19 406
深度学习GPU加速依赖于TensorFlow、CUDA、cuDNN、NVIDIA驱动与物理GPU之间的严格版本兼容链。理解CUDA Toolkit并非独立运行组件，而是通过动态链接库与TensorFlow预编译二进制深度绑定；掌握Conda通道（如nvidia vs conda-forge）对构建元数据的决定性影响，可避免libcudnn.so缺失或CUDA_ERROR_NO_KERNEL_IMAGE_AVAILABLE等高频报错。该技术路径支撑模型训练加速、论文复现、多卡服务器部署等核心场景，尤其适用于R
Conda构建TensorFlow GPU环境的兼容性原理与实战
weixin_33901926的博客
06-19 362
TensorFlow GPU版并非简单安装即可运行，其本质是CUDA Toolkit、NVIDIA驱动、cuDNN、Python及TensorFlow版本五者间严格的兼容约束关系。理解这一‘GPU兼容三角形’是解决CUDA_ERROR_NOT_FOUND、no kernel image available等高频报错的关键前提。Conda的核心价值在于将该约束建模为可求解的逻辑方程组，通过channel权重、build string语义和SAT求解器自动匹配最优组合，而非依赖人工查表或pip的线性依赖解析。该
Conda深度学习环境搭建：TensorFlow GPU版版本匹配SOP
weixin_34293911的博客
06-19 457
深度学习GPU加速依赖NVIDIA驱动、CUDA Toolkit、cuDNN与TensorFlow四者间的严格版本兼容关系，其本质是底层ABI二进制接口的精密对齐。理解这一原理，是规避‘libcudnn.so.8找不到’‘Failed to get convolution algorithm’等高频报错的关键。Conda凭借跨语言二进制包管理能力，将CUDA/cuDNN/TensorFlow封装为原子化可重现单元，显著优于pip的源码依赖推导模式。该方案广泛适用于RTX 30/40系显卡、A100/V100
Ubuntu 20.04 安装 Anaconda 实战指南：避坑、验证与生产加固
weixin_34238633的博客
06-19 492
Anaconda 是面向科学计算的 Python 环境管理平台，其核心价值在于提供 ABI 稳定的预编译二进制生态与完全隔离的运行时环境。不同于 pip 的纯包管理，Anaconda 通过 conda 包管理系统整合 Python 解释器、BLAS/LAPACK 数值库、CUDA 工具链及 Jupyter 等开箱即用组件，从根本上解决版本冲突、编译失败与系统依赖污染问题。在 Ubuntu 20.04 这类长期支持发行版中，正确部署 Anaconda 能显著提升数据科学、机器学习（如 PyTorch、Tens
Windows下配置Caffe+Tensorflow几个非常重要的注意点和所需安装包！！
weixin_40355324的博客
06-29 603
序言这是我第二篇博客，虽然空闲时间其实也不算少，总是想把自己计算机路上遇到的问题和解决方法都来个记录，以方便后学的人。不过太懒了，没心思。学啥什么都一样，还没接触之前，啥都觉得挺懵的，觉得未知，因为毫无头绪毫无思路无从下手啊，hhh。所以还是需要静下心来慢慢去找解决办法。问题这次为了尝试一些深度学习的东西，需要安装caffe和tensorflow，提前去看了许多相关的教程，需要提前装什么，安装顺序...
Anaconda环境基建入门：手把手构建可复现Python开发环境
abcyan1235的博客
06-23 437
Python环境管理是数据科学与工程落地的基础能力，其核心在于解决依赖冲突、跨平台一致性与结果可复现性等关键问题。conda作为专为科学计算设计的包与环境管理系统，通过硬隔离环境、二进制级依赖解析和声明式环境定义（如environment.yml），显著优于venv等轻量方案。它不仅支撑Jupyter、Spyder等交互式开发，更成为CI/CD、容器化部署及云平台集成的底层基础设施。本文聚焦Windows平台真实痛点——PATH污染、UAC权限、PowerShell执行策略与默认Python注册陷阱，提供兼
YOLOv8安装全链路兼容性诊断指南：驱动、CUDA、PyTorch与Conda协同验证
abcyan1235的博客
06-22 374
YOLOv8并非独立运行的模型库，而是深度耦合GPU硬件栈的AI推理与训练入口。其稳定运行依赖于NVIDIA驱动、CUDA Toolkit、PyTorch二进制及Python环境四层严格对齐——这本质上是一个跨层兼容性问题。理解CUDA版本与驱动支持窗口、PyTorch预编译包绑定的GPU架构（如sm_86/sm_90）、以及Conda环境对CUDA运行时路径的硬编码机制，是规避‘torch.cuda.is_available()为False’‘no kernel image available’等高频报错
OpenCV实战避坑指南：27个真实故障与工业级工作流
weixin_30861459的博客
06-23 324
OpenCV是计算机视觉工程落地的核心工具库，其本质不是算法集合，而是面向实时性、鲁棒性与跨平台部署的图像处理工具链。理解BGR色彩空间、CLAHE直方图均衡、Canny双阈值边缘检测等底层原理，能显著提升光照变化、噪声干扰、嵌入式资源受限等复杂场景下的处理稳定性。技术价值体现在轻量部署（如opencv-python-headless）、生产就绪（Docker镜像优化、CUDA加速）、问题驱动设计（先定义IO再反推流程）。典型应用场景覆盖工业缺陷检测、边缘端跌倒监测、RTSP视频流实时分析及YOLO模型前后
Ubuntu 18.04 源码编译 Python 3.9 稳定开发环境指南
weixin_38166557的博客
06-21 314
Python 是一种通用高级编程语言，其解释器运行依赖底层系统库（如 OpenSSL、libffi、readline）的精确版本与链接配置。在 Ubuntu 18.04 这类长期支持但内核与工具链较旧的发行版中，系统自带 Python 3.6 无法满足现代深度学习与 Web 开发对 SSL 支持、虚拟环境隔离及 C 扩展兼容性的要求。源码编译成为构建高确定性编程环境的关键路径——它绕过包管理器约束，实现路径隔离、符号可控与动态链接可验证。本文聚焦 Python 3 和 Ubuntu 18.04 双硬约束下的
Ubuntu 20.04 Python环境搭建：conda、pyenv与系统Python协同方案
weixin_30856725的博客
06-21 384
Python环境管理是Linux开发的基础能力，其核心在于理解解释器、包管理器与路径机制的协同原理。在Ubuntu 20.04中，系统Python深度绑定APT工具链，直接使用sudo pip或混用conda/pyenv易引发ABI冲突、PATH错配与apt_pkg异常等稳定性风险。掌握conda create -n pytorch_env python=3.9等命令背后的依赖解析、二进制兼容性校验与环境隔离逻辑，可有效支撑AI开发、数据科学及多版本项目并行需求。本文聚焦Ubuntu 20.04这一广泛使用
Claude Code服务器端部署实战：解决native binary缺失与API路由问题
最新发布
weixin_32932149的博客
07-04 253
Claude Code作为Anthropic推出的AI编程助手，其本地CLI依赖Node.js原生二进制（native binary）与稳定API通信链路。理解其底层原理需从CLI工具链架构出发：它通过npm安装、postinstall脚本动态下载平台专属binary，并依赖ANTHROPIC_BASE_URL实现模型级API路由。技术价值在于将大模型能力嵌入终端开发流，支撑HPC集群批量部署与CI/CD集成。典型应用场景包括科研服务器AI编码辅助、企业内网DevOps流水线增强及多用户实验室环境共享部署。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值