如何在环境里同时配置tensorflow和pytorch共存

先配置TensorFlow再配置pytorch

1.首先在环境里配置好TensorFlow：

配置方法参考我之前的帖子：

https://blog.csdn.net/DJJ5210/article/details/133109588

（【最新发现的方法】安装tensorflow2.4.0方法（亲测有效））

2.在装好TensorFlow的环境里配置pytorch：

2.1.1.复制装好TensorFlow的环境，重新命名新环境。

#conda create --name 新环境名 --clone 旧环境名

conda create --name PLMGLPPeptide --clone tensorflow2.4.0

2.1.2将编译器修改成新环境PLMGLPPeptide

2.2.1.查看我的TensorFlow配置的cuda版本和cudnn版本

conda list cudatoolkit查看cuda版本

conda list cudatoolkit

2.2.2.安装pytroch

pytorch安装方法见我之前的帖子

https://blog.csdn.net/DJJ5210/article/details/132200933

（装pytorch，其实超简单（亲测））

我conda list cudatoolkit返回结果显示11.0.221，但我的nividia-smi返回结果是cuda 12.8

以防万一乱了TensorFlow对应的cuda 版本，因为一键安装pytorch的时候，会更改cuda版本

所以我直接找对应cuda 11.0的安装pytorch版本

conda安装方法不行，咋试都通道包兼容啥的问题，最后采取了豆包给的意见安装，保留cuda版本的前期下pip安装（终于成功了）

 pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio==0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

测试指令：

 python -c "import torch; print('PyTorch版本:',torch.__version__); print('绑定CUDA:',torch.ion.cuda); print('GPU可用:',torch.cuda.is_available())"

输出Ture！pytorch安装成功了

再回头测试下TensorFlow

测试指令：

python

import tensorflow as tf

tf.__version__  #显示2.4.0

tf.test.is_gpu_available() 

返回True！，说明没有干扰tensorflow的配置

至此，TensorFlow和pytorch双框架环境配置成功！！！

DJJ：题外话：关于cuda版本的问题解释（与上面安装没直接关系）

✅ 你的情况【完全正常，无需解决】！cuda 11.0.221 (conda) + 12.8 (nvidia-smi) 是标准合理状态

你遇到的这个问题是所有用 conda+NVIDIA 显卡的人都会碰到的经典情况，99% 的深度学习新手都会疑惑这个版本不一致，结论先说清楚：

✔ 版本不一样是正常现象，不用修改、不用重装、不用匹配，对你的程序运行（pytorch/tensorflow）完全没有任何影响！放心用就好！

---

一、先彻底搞懂：这两个 CUDA 版本，到底是什么？【核心必看，彻底解惑】

✅ 版本 1：conda list cudatoolkit → 显示 11.0.221

这个是 【conda 虚拟环境专属的 CUDA 工具包】 ，专业名称：CUDA Toolkit

• 这个版本是 你的 Python 程序（Pytorch/Tensorflow）真正在调用、真正依赖的 CUDA 版本；
• 这个包是你用conda install安装的，只在当前激活的 conda 环境生效，其他环境互不干扰；
• 你的环境里装的是11.0，意味着你的 Pytorch/Tensorflow 运行时，只会用到 CUDA 11.0 的相关功能；
• 这个版本是软件层面的依赖包，和显卡驱动无关。

✅ 版本 2：nvidia-smi → 显示 CUDA Version:12.8

这个是 【你的显卡驱动支持的最高 CUDA 版本】 ，专业名称：CUDA Driver API

• 这个版本是你的 NVIDIA 显卡驱动（显卡驱动程序）本身的一个能力标识 ：表示你的显卡驱动最大能兼容到 CUDA 12.8；
• 这个版本是向下兼容 的！！！【重中之重】：高版本驱动 可以完美兼容所有比它低的 CUDA Toolkit 版本；
• 你的驱动支持 12.8 → 意味着它可以完美支持 12.7、12.0、11.8、11.0、10.2 等等所有≤12.8 的 CUDA Toolkit 版本；
• 这个版本是硬件驱动层面 的，全局生效，和 conda 环境无关，你用nvcc -V查到的版本也会和这个一致（如果装了系统 CUDA）。