Versión TensorFlow2.5.0+Keras2.5.0 correspondiente
El número de versión disponible para la prueba de resumen después de completar la instalación
Antes de instalar, instale las versiones de cuda y cudnn:
conda install -c nvidia cudnn=8.1.0.77
Coincidirá automáticamente con la versión de cuda o se pueden especificar ambas (cuda=11.1.74)
Prueba si TensorFlow puede llamar al entrenamiento de GPU:
import tensorflow as tf
# 判断当前TensorFlow是否使用GPU
if tf.test.gpu_device_name():
print("TensorFlow is using GPU")
else:
print("TensorFlow is not using GPU")
# 检测CUDA版本
try:
from tensorflow.python.platform import build_info
if build_info.cuda_version_number is not None:
print(f"CUDA version {build_info.cuda_version_number} is available")
except ImportError:
print("Could not detect CUDA version")
# 检测cuDNN版本
try:
cudnn_version = tf.__cudnn_version__
print(f"cuDNN version {cudnn_version} is available")
except AttributeError:
print("Could not detect cuDNN version")
TensorFlow-gpu2.5.0+Keras2.5.0+theano1.0.5+Python3.6.6+cuda11.1+cudnn8.1.0
1. Comprueba la versión de keras
import keras
print(keras.__version__)
2. Ver la versión de Theano
import theano as th
th.__version__
3. Comprobar la versión de tensorflow
import tensorflow as tf
tf.__version__
4. Comprobar la versión cudnn
dpkg -l | grep cudnn
5. Prueba si TensorFlow y Keras están disponibles
import tensorflow as tf
mnist = tf.keras.datasets.mnist
(x_train, y_train), (x_test, y_test) = mnist.load_data()
x_train, x_test = x_train / 255.0, x_test / 255.0
model = tf.keras.models.Sequential([
tf.keras.layers.Flatten(input_shape=(28, 28)),
tf.keras.layers.Dense(128, activation='relu'),
tf.keras.layers.Dropout(0.2),
tf.keras.layers.Dense(10, activation='softmax')
])
model.compile(optimizer='adam',loss='sparse_categorical_crossentropy',metrics=['accuracy'])
model.fit(x_train, y_train, epochs=5)
model.evaluate(x_test, y_test, verbose=2)
La salida es la siguiente