我正在处理的项目使用Tensorflow 2.0，这不是此深度学习框架的最新版本，我想启用 GPU 支持。
我已经在本地安装了 Tensorflow 2.4.1 用于其他目的 CUDA-11.0。这个版本的Tensorflow 可以在我的 PC 上看到 GPU，我可以毫无问题地进行训练和推理。但是，安装在virtualenv 中的另一个版本2.0 看不到GPU。
据我了解，这是因为2.0 仅适用于CUDA-10.0。
设置Tensorflow 2.0 + CUDA-10.0 的最可靠方法是什么。 CUDA Toolkit 的普通安装似乎会覆盖现有的11-0 安装，这是不可取的。
我对容器不太熟悉。使用特定版本的Tensorflow 和CUDA 创建Docker 图像会是一个好的解决方案吗？
我将不胜感激建议和 cmets。
【问题讨论】：
标签： python docker tensorflow
一定要探索 tensorflow docker 镜像： https://hub.docker.com/r/tensorflow/tensorflow/tags
如果您在docker run 上设置--runtime=nvidia 参数，则有很多预编译图像可与gpu 一起使用
nvidia 运行时的一些资源： https://www.tensorflow.org/install/docker https://docs.nvidia.com/datacenter/cloud-native/container-toolkit/user-guide.html
上面的 nvidia 文档看起来有点复杂。在 Debian 上，我可以使用 apt-get install nvidia-container-runtime 进行安装（更多信息：https://github.com/NVIDIA/nvidia-container-runtime）。不需要将 nvidia 运行时设置为默认值。
然后您可以使用以下命令启动启用 GPU 的 tensorflow 容器：
docker run -it --rm --runtime=nvidia -v $(pwd):/my-src -u $(id -u):$(id -g) tensorflow/tensorflow:2.2.2-gpu /bin/bash
容器内：
python -c "import tensorflow"
将验证设置。
在实践中，即使使用较旧的 tensorflow 版本，我也始终能够使用最新的 nvidia 驱动程序。目前，我正在使用 nvidia 460 驱动程序和 CUDA 11.2 在 tf 2.2.2 和 tf 2.4.1 之间切换。我只是在尝试使用 tf 1.4 时遇到版本问题，它现在已经很老了。
【讨论】：