点击上方 “小白学视觉 ”，选择加" 星标 "或“ 置顶 ”
重磅干货，第一时间送达 来源 | 知乎 编辑 | 极市平台 作者 | Yukyin
最近刚入了3090，发现网上写的各种环境配置相当混乱而且速度很慢。所以自己测了下速度最快的3090配置环境，欢迎补充！
基本环境（整个流程大约需要5分钟甚至更少）
py37 或py38 cuda11 .0 cudnn8 .0 .4 tf2 .5 （tf-nightly ）或 tf1 .15 .4 pytorch1 .7 keras2 .3 （1）官网下载，安装显卡驱动：
bash NVIDIA-Linux-x86_64-455 .23 .04 .run （2）安装Anaconda并换源
bash Anaconda3-5.2 .0 -Linux-x86_64.sh vim ~/.bashrc export PATH=/home/XXX/anaconda3/bin:$PATH（XXX为自己的用户名）（在文件末尾处添加该语句） source ~/.bashrc conda config --add channels https: conda config --add channels https: conda config --add channels https: conda config --add channels https: conda config --add channels https: conda config --set show_channel_urls yes 之后vim ~/.condarc，把defaults删掉 （3）创建虚拟环境，一般用py37或py38（以下都在虚拟环境中操作）
conda create -n exp38 python==3.8 conda activate exp38 （4）安装cuda11.0和pytorch1.7（不用再conda install cudatoolkit==11.0）
conda install pytorch torchvision cudatoolkit=11 （5）安装cudnn8（因为conda还不支持cudatoolkit=11中下载cudnn）
从https://developer.nvidia.com/rdp/cudnn-download下载cudnn，解压后进入cuda/lib64路径下，把里面所有文件拷入对应虚拟环境（exp38）的lib中
（6）装tf2.5（不要装tensorflow-gpu==2.4.0rc0，会报错'NoneType' object has no attribute 'TFE_MonitoringDeleteBuckets'）
pip install tf-nightly-gpu -i http ://pypi.douban.com/simple pip install tf-nightly -i http ://pypi.douban.com/simple （7）装tf1.15.4
此处参考这位大佬的tf1.15.4安装步骤 pip install google_pasta-0 .2 .0 -py3-none -any.whl nvidia_cublas-11.2.1.74 -cp36-cp36m-linux_x86_64.whl nvidia_cuda_cupti-11 .1 .69 -cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvcc-11 .1 .74 -cp36-cp36m-linux_x86_64.whl nvidia_cuda_nvrtc-11 .1 .74 -cp36-cp36m-linux_x86_64.whl nvidia_cuda_runtime-11 .1 .74
8.0.4.30 -cp36-cp36m-linux_x86_64.whl nvidia_cufft-10.3.0.74 -cp36-cp36m-linux_x86_64.whl nvidia_curand-10.2.2.74 -cp36-cp36m-linux_x86_64.whl nvidia_cusolver-11.0.0.74 -cp36-cp36m-linux_x86_64.whl nvidia_cusparse-11.2.0.275 -cp36-cp36m-linux_x86_64.whl nvidia_dali_cuda110-0 .26 .0 -1608709 -py3-none -manylinux2014_x86_64.whl nvidia_dali_nvtf_plugin-0 .26 .0 +nv20.10 -cp36-cp36m-linux_x86_64.whl nvidia_nccl-2 .7 .8 -cp36-cp36m-linux_x86_64.whl nvidia_tensorrt-7.2.1.4 -cp36-none -linux_x86_64.whl tensorflow_estimator-1 .15 .1 -py2.py3-none -any.whl nvidia_tensorboard-1 .15 .0 +nv20.10 -py3-none -any.whlnvidia_tensorflow-1 .15 .4 +nv20.10 -cp36-cp36m-linux_x86_64.whl -i http://pypi.douban.com/simple --trusted-host pypi.douban.com （8）装keras2.3
pip install keras==2.3 -i http://pypi.douban.com/simple --trusted-host pypi.douban.com（9）测试（使用cuda10.2也可以测试使用gpu，但貌似不能把数据写入gpu）
pytorch
tensorflow-2.5或1.15.4
keras（测试需要改部分源码_get_available_gpus()）
import tensorflow as tfimport keras.backend.tensorflow_backend as tfbackprint("tf.__version__ is" , tf.__version__) print(
, tf.keras.__version__) def _get_available_gpus () : if tfback._LOCAL_DEVICES is None : devices = tf.config.list_logical_devices() tfback._LOCAL_DEVICES = [x.name for x in devices] return [x for x in tfback._LOCAL_DEVICES if 'device:gpu' in x.lower()] tfback._get_available_gpus = _get_available_gpus from keras import backend as KK.tensorflow_backend._get_available_gpus() 后记：实际3090需要cuda11.1，但pytorch和tf目前只支持11.0。而且讲真不需要单独配cuda、cudnn，在虚拟环境里搞就行了。
下载1：OpenCV-Contrib扩展模块中文版教程 在「小白学视觉 扩展模块中文教程 ， 即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理 等二十多章内容。在「小白学视觉 公众号后台回复：Python视觉实战项目 ， 即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别 等31个视觉实战项目，助力快速学校计算机视觉。 在「小白学视觉 公众号后台回复：OpenCV实战项目20讲 ， 即可下载含有20 个基于OpenCV 实现20个实战项目 ，实现OpenCV学习进阶。 交流群
SLAM、三维视觉 、传感器、自动驾驶、 计算摄影 、检测、分割、识别、医学影像、GAN、算法竞赛 等微信群（以后会逐渐细分）， 请扫描下面微信号加群，备注：”昵称+学校/公司+研究方向“，例如：”张三 + 上海交大 + 视觉SLAM“。请按照格式备注，否则不予通过 。添加成功后会根据研究方向邀请进入相关微信群。请勿 在群内发送广告 ，否则会请出群，谢谢理解~
