Quali combinazioni di versioni TensorFlow e CUDA sono compatibili?

Ho notato che alcune nuove versioni di TensorFlow sono incompatibili con le versioni precedenti di CUDA e cuDNN. Esiste una panoramica delle versioni compatibili o addirittura un elenco di combinazioni ufficialmente testate? Non riesco a trovarlo nella documentazione di TensorFlow.

Generalmente:

Controlla la versione CUDA:

cat /usr/local/cuda/version.txt

e versione cuDNN:

grep CUDNN_MAJOR -A 2 /usr/local/cuda/include/cudnn.h

e installa una combinazione come indicato di seguito nelle immagini o qui .

Le seguenti immagini e il link forniscono una panoramica delle combinazioni ufficialmente supportate / testate di CUDA e TensorFlow su Linux, macOS e Windows:

Configurazioni minori:

Poiché le specifiche fornite di seguito in alcuni casi potrebbero essere troppo ampie, ecco una configurazione specifica che funziona:

• tensorflow-gpu==1.12.0
• cuda==9.0
• cuDNN==7.1.4

Il cudnn corrispondente può essere scaricato qui .

(cifre aggiornate al 20 maggio 2020)

GPU Linux

Linux

GPU macOS

Mac OS

(cifra aggiornata il 31 maggio 2018)

finestre

Aggiornato al 14 gennaio 2020: per le informazioni aggiornate fare riferimento a Link per Linux e Link per Windows .

La tabella di compatibilità fornita nel sito tensorflow non contiene versioni secondarie specifiche per cuda e cuDNN. Tuttavia, se le versioni specifiche non vengono soddisfatte, si verificherà un errore quando si tenta di utilizzare tensorflow.

Per tensorflow-gpu==1.12.0e cuda==9.0, la cuDNNversione compatibile è 7.1.4, che può essere scaricata da qui dopo la registrazione.

Puoi controllare la tua versione di cuda usando
nvcc --version

versione cuDNN utilizzando
cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2

versione di tensorflow-gpu usando
pip freeze | grep tensorflow-gpu

AGGIORNAMENTO: Da quando è stato rilasciato tensorflow 2.0, condividerò anche le versioni compatibili di cuda e cuDNN (per Ubuntu 18.04).

• tensorflow-gpu = 2.0.0
• cuda = 10,0
• cuDNN = 7.6.0

se stai codificando nel notebook jupyter e vuoi verificare quale versione di cuda tf sta usando, esegui il comando seguente direttamente nella cella jupyter:

!conda list cudatoolkit

!conda list cudnn

e per verificare se la gpu è visibile a tf:

tf.test.is_gpu_available(
    cuda_only=False, min_cuda_compute_capability=None
)

Puoi usare questa configurazione per cuda 10.0 (10.1 non funziona dal 3/18), questo funziona per me:

• tensorflow> = 1.12.0
• tensorflow_gpu> = 1.4

Installa versione tensorflow gpu:

pip install tensorflow-gpu==1.4.0

Avevo installato CUDA 10.1 e CUDNN 7.6 per errore. Puoi usare le seguenti configurazioni (ha funzionato per me - a partire dal 9/10). :

• Tensorflow-gpu == 1.14.0
• CUDA 10.1
• CUDNN 7.6
• Ubuntu 18.04

Ma ho dovuto creare collegamenti simbolici perché funzionasse, poiché originariamente tensorflow funziona con CUDA 10.

sudo ln -s /opt/cuda/targets/x86_64-linux/lib/libcublas.so /opt/cuda/targets/x86_64-linux/lib/libcublas.so.10.0
sudo cp /usr/lib/x86_64-linux-gnu/libcublas.so.10 /usr/local/cuda-10.1/lib64/
sudo ln -s /usr/local/cuda-10.1/lib64/libcublas.so.10 /usr/local/cuda-10.1/lib64/libcublas.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcusolver.so.10 /usr/local/cuda/lib64/libcusolver.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcurand.so.10 /usr/local/cuda/lib64/libcurand.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcufft.so.10 /usr/local/cuda/lib64/libcufft.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcudart.so /usr/local/cuda/lib64/libcudart.so.10.0
sudo ln -s /usr/local/cuda/targets/x86_64-linux/lib/libcusparse.so.10 /usr/local/cuda/lib64/libcusparse.so.10.0

E aggiungi quanto segue al mio ~ / .bashrc -

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-10.1/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-10.1/lib64:$LD_LIBRARY_PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/opt/cuda/targets/x86_64-linux/lib/

Ho avuto un problema simile dopo l'aggiornamento a TF 2.0. La versione CUDA segnalata da TF non corrispondeva a ciò che Ubuntu 18.04 pensava avessi installato. Diceva che stavo usando CUDA 7.5.0, ma apt pensava che avessi installato la versione giusta.

Quello che alla fine ho dovuto fare è stato grep ricorsivo in /usr/localper CUDNN_MAJOR, e ho scoperto che /usr/local/cuda-10.0/targets/x86_64-linux/include/cudnn.hha effettivamente specificare la versione come 7.5.0.
/usr/local/cuda-10.1ho capito bene e mi ha /usr/local/cudaindicato /usr/local/cuda-10.1, quindi era (e rimane) un mistero per me il motivo per cui TF stava guardando /usr/local/cuda-10.0.

Ad ogni modo, mi sono appena trasferito /usr/local/cuda-10.0in /usr/local/old-cuda-10.0modo che TF non riuscisse più a trovarlo e tutto poi ha funzionato come un fascino.

È stato tutto molto frustrante e mi sento ancora come se avessi appena fatto un hack casuale. Ma ha funzionato :) e forse questo aiuterà qualcuno con un problema simile.