深度学习环境说明

适用镜像

Windows10，Windows11，Ubuntu24，Ubuntu22，Ubuntu20

常规软件

Windows
PyCharm 社区版	Anaconda	Visual Studio	微信、QQ
VsCode	Jupyter	百度、夸克、阿里网盘	Git

Ubuntu
PyCharm 社区版	Anaconda	Docker	Chrome
VsCode	Jupyter	Git	百度网盘

CUDA

• 系统默认已安装显卡驱动、cuda12.4 版本与 cudnn8.9 版本，除非特殊需要您应该优先使用 Anaconda 虚拟环境，虚拟环境会有独立的 cuda 与 cudnn 版本；
• 如果没有二次编译代码的需求，正常情况下不需要单独安装CUDA/cuDNN;
• 如果您对 GPU驱动 和 cuda 设置不是很熟悉，请勿随意更改以免造成系统无法使用；
• CUDA 更多说明可查看 CUDA/cuDNN切换

环境说明

• 系统已内置多个版本pytorch、tensorflow环境，我们已经准备了 环境安装工具 ，只需简单选择即可；
• 所有的环境都会安装在 Anaconda 虚拟环境中，您可以根据您的需要选择适合的版本，点击查看 Anaconda使用说明

安装环境

• windows系统可直接在桌面打开环境工具，按照引导安装适合的环境版本；
  

• Ubuntu系统可在终端运行 env_tools 指令，即可打开安装引导，根据引导选择适合的环境；

  env_tools           # 打开环境安装工具 
  

• 环境一般1-3分钟完成安装，并设有进度指示，如果需要在编辑器中使用，可以查看 IDE切换解释器 方法；

Pytorch环境

环境名称	Python	PyTorch	CUDA	cuDNN	说明
py38-torch180-cuda111	3.8	1.8.0	11.1	8.0	30系显卡适用
py38-torch190-cuda111	3.8	1.9.0	11.1	8.0	30系显卡适用
py38-torch1110-cuda113	3.8	1.11.0	11.3	8.2	30系显卡适用
py38-torch1120-cuda113	3.8	1.12.0	11.3	8.3	30系显卡适用
py38-torch1130-cuda116	3.8	1.13.0	11.6	8.3	30系显卡适用
py39-torch200-cuda118	3.9	2.0.0	11.8	8.7	40系、30系显卡适用
py39-torch201-cuda118	3.9	2.0.1	11.8	8.7	40系、30系显卡适用
py39-torch210-cuda121	3.9	2.1.0	12.1	8.8	40系、30系显卡适用
py39-torch212-cuda121	3.9	2.1.2	12.1	8.8	40系、30系显卡适用
py310-torch220-cuda121	3.10	2.2.0	12.1	8.8	40系、30系显卡适用
py310-torch222-cuda121	3.10	2.2.2	12.1	8.8	40系、30系显卡适用
py310-torch230-cuda121	3.10	2.3.0	12.1	8.8	40系、30系显卡适用
py310-torch231-cuda121	3.10	2.3.1	12.1	8.9	40系、30系显卡适用
py310-torch240-cuda124	3.10	2.4.0	12.4	9.0	40系、30系显卡适用
py310-torch241-cuda124	3.10	2.4.1	12.4	9.0	40系、30系显卡适用
py310-torch250-cuda124	3.10	2.5.0	12.4	9.0	40系、30系显卡适用
py311-torch260-cuda126	3.11	2.6.0	12.6	9.0	40系、30系显卡适用
py311-torch270-cuda128	3.11	2.7.0	12.8	9.0	50系显卡适用
py311-torch280-cuda128	3.11	2.8.0	12.8	9.1	50系显卡适用

YOLO

环境名称	Python	PyTorch	Yolo	CUDA	cuDNN	说明
py39-yolov5-torch201-cuda118	3.9	2.0.1	5	11.8	8.7	40系、30系显卡适用
py39-yolov8-torch201-cuda118	3.9	2.0.1	8	11.8	8.7	40系、30系显卡适用

TensorFlow环境

特别说明

• TensorFlow自2.10版本之后不再原生支持Windows中使用GPU，如果您需要使用2.10之后版本请选择使用Ubuntu系统或者使用wsl方式；
• 目前TensorFlow直接部署在50系列Blackwell架构显卡中可能不能正常运行，如果您有此方面需要请查看nvida提供的容器部署方式，点击查看；

环境名称	Python	TensorFlow	CUDA	cuDNN	说明
py38-tf250-cuda113	3.8	2.5.0	11.3	8.2	30系显卡适用
py38-tf260-cuda113	3.8	2.6.0	11.3	8.2	30系显卡适用
py38-tf280-cuda113	3.8	2.8.0	11.3	8.2	30系显卡适用
py38-tf2100-cuda113	3.8	2.10.0	11.3	8.2	30系显卡适用
py39-tf2120-cuda118	3.9	2.12.0	11.8	8.9	40系、30系显卡适用，不支持windows
py39-tf2130-cuda118	3.9	2.13.0	11.8	8.9	40系、30系显卡适用，不支持windows
py310-tf2140-cuda118	3.10	2.14.0	11.8	8.7	40系、30系显卡适用，不支持windows
py310-tf2151-cuda122	3.10	2.15.1	12.2	8.9	40系、30系显卡适用，不支持windows
py310-tf2161-cuda123	3.10	2.16.1	12.3	8.9	40系、30系显卡适用，不支持windows
py310-tf2170-cuda123	3.10	2.17.0	12.3	8.9	40系、30系显卡适用，不支持windows
py311-tf2180-cuda125	3.11	2.18.0	12.5	9.3	40系、30系显卡适用，不支持windows
py311-tf2190-cuda125	3.11	2.19.0	12.5	9.3	40系、30系显卡适用，不支持windows

验证方法

安装好需要的框架版本后，可运行以下代码验证是否可以正常使用GPU;

• PyTorch

  import torch
  
  print("PyTorch 版本:", torch.__version__)
  print("GPU 是否可用:", "是" if torch.cuda.is_available() else "否")
  
  if torch.cuda.is_available():
      print("CUDA 版本:", torch.version.cuda)
      print("cuDNN 版本:", torch.backends.cudnn.version())
      print("当前GPU:", torch.cuda.get_device_name(0))
  else:
      print("未检测到GPU支持")
  

• TensorFlow

  import tensorflow as tf
  
  print("TensorFlow 版本:", tf.__version__)
  gpus = tf.config.list_physical_devices('GPU')
  print("GPU 是否可用:", "是" if gpus else "否")
  
  if gpus:
      try:
          # 获取CUDA和cuDNN版本（TensorFlow 2.4+）
          build_info = tf.sysconfig.get_build_info()
          print("CUDA 版本:", build_info.get('cuda_version', '未知'))
          print("cuDNN 版本:", build_info.get('cudnn_version', '未知'))
      except:
          print("无法获取CUDA/cuDNN版本信息")
  else:
      print("未检测到GPU支持")
  

参考资料

如果系统内置的版本无法满足您的需要，您可以自行安装其他版本；

• Pytorch官方网站

• TensorFlow官方网站