Tensorflow 1.15之后-无需安装tensorflow-gpu包

Question

问题

请确认要在 1.15 之后 同时使用 TensorFlow 的 CPU 和 GPU，安装 tensorflow 包就足够了，不再需要 tensorflow-gpu需要。

背景

仍然看到文章说明要安装 tensorflow-gpu 例如pip install tensorflow-gpu==2.2.0 和 PyPi repository for tensorflow-gpu package在最新的 tensorflow-gpu 2.4.1 中处于事件状态。

Annaconda 文档还提到了 tensorflow-gpu 包。

• Working with GPU packages - Available packages - TensorFlow

TensorFlow is a general machine learning library, but most popular for deep learning applications. There are three supported variants of the tensorflow package in Anaconda, one of which is the NVIDIA GPU version. This is selected by installing the meta-package tensorflow-gpu:

但是，根据 TensorFlow v2.4.1(截至 2021 年 4 月)核心文档 GPU support - Older versions of TensorFlow

For releases 1.15 and older, CPU and GPU packages are separate:

pip install tensorflow==1.15      # CPU
pip install tensorflow-gpu==1.15  # GPU

根据 TensorFlow 核心指南 Use a GPU .

TensorFlow code, and tf.keras models will transparently run on a single GPU with no code changes required.

根据 Difference between installation libraries of TensorFlow GPU vs CPU .

Just a quick (unnecessary?) note... from TensorFlow 2.0 onwards these are not separated, and you simply install tensorflow (as this includes GPU support if you have an appropriate card/CUDA installed).

因此希望明确确认 tensorflow-gpu 包只是为了方便(指定了 tensorflow-gpu 等的遗留脚本)，不再需要。现在 tensorflow 和 tensorflow-gpu 包之间没有区别。

Answer 1

在这里对包命名感到困惑是合理的。但是，这是我的理解。对于 tf 1.15 或 older，CPU 和 GPU 包是分开的:

pip install tensorflow==1.15      # CPU
pip install tensorflow-gpu==1.15  # GPU

所以，如果我想完全在 tf 的 CPU 版本上工作，我会使用第一个命令，否则，如果我想完全在GPU 版本的 tf，我会使用第二个命令。

---

现在，在 tf 2.0 或更高版本中，我们只需要 一个命令 即可方便地在两种硬件上运行。因此，在基于CPU和GPU的系统中，我们需要相同的命令来安装tf，即:

pip install tensorflow

现在，我们可以在基于CPU 的系统上进行测试(没有 GPU)

import tensorflow as tf 
print(tf.__version__)

print('1: ', tf.config.list_physical_devices('GPU'))
print('2: ', tf.test.is_built_with_cuda)
print('3: ', tf.test.gpu_device_name())
print('4: ', tf.config.get_visible_devices())

2.4.1
1:  []
2:  <function is_built_with_cuda at 0x7f2ce91415f0>
3:  
4:  [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU')]

或者也可以在基于CPU 的系统上进行测试(有 GPU)

2.4.1
1:  [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
2:  <function is_built_with_cuda at 0x7fb6affd0560>
3:  /device:GPU:0
4:  [PhysicalDevice(name='/physical_device:CPU:0', device_type='CPU'),
     PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

因此，如您所见，这只是针对 CPU 和 GPU 情况的单个命令。希望现在更清楚了。但直到现在(在 tf > = 2 中)我们还可以在安装 tf 时使用 -gpu/-cpu 后缀，它巧妙地用于 GPU/CPU 分别。

!pip install tensorflow-gpu 
....
Installing collected packages: tensorflow-gpu
Successfully installed tensorflow-gpu-2.4.1

# -------------------------------------------------------------

!pip install tensorflow-cpu
....
Installing collected packages: tensorflow-cpu
Successfully installed tensorflow-cpu-2.4.1

---

检查:类似response来自 tf-team。