在深度学习的实际开发中有时需要在同一台 Windows 10 设备上同时使用不同版本的 TensorFlow例如TensorFlow 1.13.1用于旧项目和TensorFlow 2.0.0用于新项目。由于不同版本的 TensorFlow 依赖于不同的 CUDA 和 cuDNN 版本直接共存可能会产生冲突。因此采用Anaconda 虚拟环境来管理多个 TensorFlow 版本是一种稳定高效的解决方案。本指南将详细介绍如何在 Windows 10 上搭建支持 TensorFlow 1.x 和 2.x 版本共存的 GPU 加速环境包括 Python 版本选择、CUDA 和 cuDNN 配置、Anaconda 虚拟环境管理以及 TensorFlow 版本的安装与测试。文章目录工作目录Python 版本选择tensorflow-gpu 1.13.1tensorflow-gpu 2.0.0总结工作目录Windows10系统下让Tensorflow-gpu1.X 版本和Tensorflow-gpu2.X版本共存且可以满足日常工作。要把需要用到的软件下载好尤其要注意并不是最新版就是最好的而是需要挑选相对稳定的相互冲突少的。这里推荐的2个共存版本分别是Tensorflow-gpu1.13.1虚拟环境和Tensorflow-gpu2.0.0开发环境。可以看下我的工程目录。以我笔记本显卡NVIDIA-GTX-1060举例如果你的显卡不是这个版本的查看我的另外一篇文章 Win10Python3.8GPU版tensorflow2.x环境搭建最简流程查询你显卡的对应版本。需要安装插件TF1.x 依赖及版本TF2.x 依赖及版本Python版本3.6.x3.6.xTF-GPU版本1.13.x2.0.0CUDNN7.3.17.3.1CUDA10.010.0Python 版本选择建议直接安装Anaconda选择自己需要版本即可。也可以直接前往 Python 官网 下载 Python 3.x 的安装包。运行安装程序并按照提示进行安装。在安装过程中请确保勾选“Add Python to PATH”选项以便在系统环境变量中添加 Python。这里推荐使用Anaconda方式安装python简单方便。tensorflow-gpu 1.13.1创建虚拟环境 tf113执行命令conda create -n tf113 python3.6.9以管理员身份运行下面的命令。conda create-ntf113python3.6.9执行命令conda activate tf113执行命令conda search cudatoolkit查看可供安装的版本。conda activate tf113 conda search cudatoolkit执行命令conda install cudatoolkit10.0.130安装对应版本的cudatoolkit。condainstallcudatoolkit10.0.130执行命令conda search cudnn查看cudnn的版本conda search cudnn执行命令conda install cudnn7.3.1安装cuda适配的cudnn版本。condainstallcudnn7.3.1执行命令conda search tensorflow-gpu查看tensorflow-gpu可供选择的版本。conda search tensorflow-gpu执行命令conda install tensorflow-gpu1.13.1安装该版本即可。condainstalltensorflow-gpu1.13.1测试验证。import tensorflow as tf这行代码是导入 TensorFlow 这个深度学习库并且为了方便在代码中调用它我们用 “tf” 作为别名。version tf.__version__这行代码是获取 TensorFlow 的版本信息并将其存储在变量 “version” 中。gpu_ok tf.test.is_gpu_available()这行代码用来检测当前环境是否可以使用 GPU。如果可以使用该函数会返回 True否则返回 False。结果被存储在 “gpu_ok” 这个变量中。print(tf version:,version,\nuse GPU,gpu_ok)这行代码用于输出 TensorFlow 的版本信息以及是否能使用 GPU 的信息。“\n” 是一个特殊字符表示新的一行用于在输出结果中换行。importtensorflowastf versiontf.__version__ gpu_oktf.test.is_gpu_available()print(tf version:,version,\nuse GPU,gpu_ok)tf version:1.13.1use GPUTruetensorflow-gpu 2.0.0执行命令conda create -n tf200 python3.6.2创建虚拟环境 tf200在命令行以管理员身份运行下面的命令。conda create-ntf200python3.6.2执行命令conda activate tf200执行命令conda search cudatoolkit查看可供安装的版本。conda activate tf113 conda search cudatoolkit执行命令conda install cudatoolkit10.0.130安装对应版本的cudatoolkit。condainstallcudatoolkit10.0.130执行命令conda search cudnn查看cudnn的版本conda search cudnn执行命令conda install cudnn7.3.1安装cuda适配的cudnn版本。condainstallcudnn7.3.1conda search tensorflow-gpu 2.0.0 的库中如果没有该版本的tf包则用pip进行安装执行命令pip install tensorflow-gpu2.0.0 -i https://pypi.tuna.tsinghua.edu.cn/simple安装该版本即可。pipinstalltensorflow-gpu2.0.0-ihttps://pypi.tuna.tsinghua.edu.cn/simple测试验证。import tensorflow as tf这行代码是导入 TensorFlow 这个深度学习库并且为了方便在代码中调用它我们用 “tf” 作为别名。version tf.__version__这行代码是获取 TensorFlow 的版本信息并将其存储在变量 “version” 中。gpu_ok tf.test.is_gpu_available()这行代码用来检测当前环境是否可以使用 GPU。如果可以使用该函数会返回 True否则返回 False。结果被存储在 “gpu_ok” 这个变量中。print(tf version:,version,\nuse GPU,gpu_ok)这行代码用于输出 TensorFlow 的版本信息以及是否能使用 GPU 的信息。“\n” 是一个特殊字符表示新的一行用于在输出结果中换行。importtensorflowastf versiontf.__version__ gpu_oktf.test.is_gpu_available()print(tf version:,version,\nuse GPU,gpu_ok)tf version:2.0.use GPUTrue总结通过本指南用户可以顺利在 Windows 10 上搭建TensorFlow 1.13.1和TensorFlow 2.0.0共存的 GPU 加速环境。通过Anaconda 虚拟环境不同版本的 TensorFlow 及其依赖项被有效隔离避免了兼容性问题。在配置过程中确保选择匹配的 CUDA 和 cuDNN 版本并正确安装所需的 Python 版本。此外本文提供了安装验证方法确保 GPU 加速正常运行。希望本指南能够帮助开发者高效地管理 TensorFlow 版本实现灵活的深度学习开发。