Welche TensorFlow- und CUDA-Versionskombinationen sind kompatibel?

Ich habe festgestellt, dass einige neuere TensorFlow-Versionen nicht mit älteren CUDA- und cuDNN-Versionen kompatibel sind. Gibt es eine Übersicht über die kompatiblen Versionen oder sogar eine Liste offiziell getesteter Kombinationen? Ich kann es nicht in der TensorFlow-Dokumentation finden.

Allgemein:

Überprüfen Sie die CUDA-Version:

cat /usr/local/cuda/version.txt

und cuDNN-Version:

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

und installieren Sie eine Kombination wie unten in den Bildern oder hier angegeben .

Die folgenden Bilder und der Link bieten einen Überblick über die offiziell unterstützten / getesteten Kombinationen von CUDA und TensorFlow unter Linux, macOS und Windows:

Kleinere Konfigurationen:

Da die unten angegebenen Spezifikationen in einigen Fällen zu weit gefasst sein können, funktioniert hier eine bestimmte Konfiguration:

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

Das entsprechende Cudnn kann hier heruntergeladen werden .

(Zahlen aktualisiert am 20. Mai 2020)

Linux GPU

Linux

macOS GPU

Mac OS

(Abbildung aktualisiert am 31. Mai 2018)

Windows

Aktualisiert am 14. Januar 2020: Die aktualisierten Informationen finden Sie unter Link für Linux und Link für Windows .

Die auf der Tensorflow-Site angegebene Kompatibilitätstabelle enthält keine spezifischen Nebenversionen für cuda und cuDNN. Wenn jedoch die spezifischen Versionen nicht erfüllt sind, tritt ein Fehler auf, wenn Sie versuchen, Tensorflow zu verwenden.

Für tensorflow-gpu==1.12.0und cuda==9.0ist die kompatible cuDNNVersion 7.1.4, die nach der Registrierung von hier heruntergeladen werden kann .

Sie können Ihre Cuda-Version mit überprüfen
nvcc --version

cuDNN-Version mit
cat /usr/include/cudnn.h | grep CUDNN_MAJOR -A 2

Tensorflow-GPU-Version mit
pip freeze | grep tensorflow-gpu

UPDATE: Seit Tensorflow 2.0 veröffentlicht wurde, werde ich auch die kompatiblen cuda und cuDNN Versionen dafür teilen (für Ubuntu 18.04).

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

Wenn Sie in jupyter notebook codieren und überprüfen möchten, welche cuda-Version tf verwendet, führen Sie den folgenden Befehl direkt in jupyter cell aus:

!conda list cudatoolkit

!conda list cudnn

und um zu überprüfen, ob die GPU für tf sichtbar ist:

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

Sie können diese Konfiguration für cuda 10.0 verwenden (10.1 funktioniert nicht ab dem 18. März), dies läuft für mich:

• Tensorflow> = 1.12.0
• tensorflow_gpu> = 1.4

Installieren Sie die Version tensorflow gpu:

pip install tensorflow-gpu==1.4.0

Ich hatte versehentlich CUDA 10.1 und CUDNN 7.6 installiert. Sie können folgende Konfigurationen verwenden (Dies hat bei mir funktioniert - Stand 9/10). ::

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

Aber ich musste Symlinks erstellen, damit es funktioniert, da Tensorflow ursprünglich mit CUDA 10 funktioniert.

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

Und füge folgendes zu meinem ~ / .bashrc hinzu -

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/

Ich hatte ein ähnliches Problem nach dem Upgrade auf TF 2.0. Die von TF gemeldete CUDA-Version stimmte nicht mit der Installation von Ubuntu 18.04 überein. Es hieß, ich würde CUDA 7.5.0 verwenden, aber apt dachte, ich hätte die richtige Version installiert.

Was ich hatte schließlich war rekursiv zu tun grep /usr/localfür CUDNN_MAJOR, und ich fand , dass /usr/local/cuda-10.0/targets/x86_64-linux/include/cudnn.hin der Tat als die Version angegeben haben 7.5.0. Ich
/usr/local/cuda-10.1habe es richtig verstanden und /usr/local/cudadarauf hingewiesen /usr/local/cuda-10.1, also war (und bleibt) es mir ein Rätsel, warum TF es ansah /usr/local/cuda-10.0.

Wie auch immer, ich bin gerade umgezogen /usr/local/cuda-10.0, /usr/local/old-cuda-10.0damit TF es nicht mehr finden konnte und alles dann wie ein Zauber funktionierte.

Es war alles sehr frustrierend und ich habe immer noch das Gefühl, dass ich nur einen zufälligen Hack gemacht habe. Aber es hat funktioniert :) und vielleicht hilft dies jemandem mit einem ähnlichen Problem.