实验室配了一台伺服器跑深度学习，想同时装TensorFlow和pytorch可以么。该怎么装呢

可以

实验室配了一台伺服器跑深度学习，想同时装TensorFlow和pytorch可以么。

可以。

该怎么装呢

  1. 安装NVIDIA驱动
  2. 安装CUDA和cuDNN
  3. 安装conda
  4. 使用pip安装

假定你已经做完了步骤123，如果没有，参考下面的链接3。

第4步的命令如下：

pip install torch tensorflow-gpu

参考链接：

  1. https://www.tensorflow.org/install/gpu
  2. https://pytorch.org/
  3. https://dl.ypw.io/ubuntu-install-guide/#python

当然可以，一个框架的两个版本都可以。推荐使用anaconda傻瓜式搭建。

更多环境搭建教程可以加入mana社区查看

t.manaai.cn?

t.manaai.cn

当然可以。

用conda创建多个环境，每个环境下装一个框架，甚至同一个框架的不同版本都行。

最简单的办法，利用conda来就行管理

查看环境

conda info --e

创建环境：conda create -n 环境名称 python=版本

conda create -n env_name python=3.6

激活环境：conda activate 环境名称

conda activate env_name

当然可以，装十个都没有问题。如果互相之间有冲突，就用docker相互隔离开。

这个属于基本操作，完全可行。

甚至还可以安装一个框架的多个版本，利用anaconda或者vietualenv。

可以的，可以参考我最近出了一个博客《『带你学AI』开发环境配置之Windows10篇：一步步带你在Windows平台开发深度学习（TensorFlowPyTorchMXNet_CPUGPU）》：

小宋是呢：『带你学AI』开发环境配置之Windows10篇：一步步带你在Windows平台开发深度学习?

zhuanlan.zhihu.com图标

基于Conda来管理的Python环境，其实不只是多个深度学习开发框架，也支持GPU与CPU版本安装，同时也支持多个版本Cuda。原则是同一个版本Cuda下的环境都可以同时安装在同一个Python环境中，不同的Cuda版本，需要配合Conda新建新的环境来管理组织。

安装起来也很简单，手把手教学。好文推荐，觉得有用别忘点赞收藏哈。。

下面举个例子演示如何同时安装TensorFlow2、PyTorch与MXNet的GPU版本。具体操作步骤可以翻阅我的博客，这里简单介绍安装流程

1.使用conda新建python环境与替换conda源与pip源（换源操作参考全文）：

conda create -n dl python=3.7

2.conda安装「cudatoolkit」与「cudnn」（版本分别为10.1与7，为了同时兼容TensorFlow2、PyTorch与MXNet）

conda activate dl
conda install cudatoolkit=10.1 cudnn=7

3.安装TensorFlow2、PyTorch与MXNet

pip install tensorflow==2.3
conda install pytorch=1.7.1 torchvision torchaudio
pip install mxnet-cu101==1.7.0

4.测试是否安装成功

这个内容可以参考之前我写的一篇文章：《『带你学AI』测试深度学习框架GPU版本是否正确安装方法:TensorFlow，PyTorch，MXNet，PaddlePaddle》

https://xiaosongshine.blog.csdn.net/article/details/108850784?

xiaosongshine.blog.csdn.net

当然可以。如果两个框架兼容，那么直接安装就行。如果不兼容那么通过conda来创建两个虚拟环境，两个框架分别装到两个环境中，需要用哪个切换就是。

https://zhuanlan.zhihu.com/p/123921247

当然可以啦，记得最开始入炼丹的坑的时候，还没有环境隔离的概念，到训练伺服器上一顿操作，我是爽了，可是隔壁同事一跑训练，怎么炸了，opencv版本不兼容，protobuf版本不对了，顿时无语。后面慢慢接触到了conda，对于Python的训练环境隔离还做得不错，但是对于caffe这种老一点，更偏向于C训练和推理的框架，问题依旧。后面接触到了docker，从此打开了新世界的大门，后面主要就是三个docker ,一个caffe，一个mxnet, 一个pytorch。主要注意和别人协商好显卡的使用就没问题，从此开启了炼丹的爬坑之旅。

肯定可以的，题主或许是对两个框架共存的兼容与冲突方面存在担忧，简单来说有两个解决方案：Anaconda和Docker

具体怎么做 ↓

1.用 Anaconda 创建两个不同深度学习框架的虚拟环境

Anaconda 是一个 python 的发行版，包括了 python 和很多常见的软体库, 和一个包管理器conda 。也就是说安装了 Anaconda ，会自动的帮你配置好一个带有常用的第三方库的 python 运行环境，你需要的是使用 Anaconda 去创建不同的虚拟环境，每个环境可以使用不同的版本的 python ，并在其 python 环境基础下使用 pip 任意安装你所需要的第三方库，包括你所说的不同的深度学习框架 Tensorflow 和 Pytorch ，不同的虚拟环境之间的运行互不干扰，可以使用命令进行任意的切换。下面简单讲一下怎么用：

（1）安装 Anaconda

以下是我觉得比较详细的几个Linux下安装Anaconda的教程，可以参考

阿飞：深度学习 | Linux安装Anaconda?

zhuanlan.zhihu.com图标IT考试网：Anaconda下载和windows/Macos/Linux环境下安装步骤及使用教程（小白专用）?

zhuanlan.zhihu.com图标

在命令行终端下可以使用以下的命令搭建你需要的环境

（2）创建或者删除虚拟环境

创建 ↓

$ conda create –name & &

比如说创建一个python版本为3.6的虚拟环境：

$ conda create -n py36 python==3.6

默认情况下，新创建的环境将会被保存在 /Users/当前用户名/anaconda3/env 目录下，

执行此操作以后，你就可以在该目录 anaconda3/env/py36/bin 下找到对应的 python3.6

删除 ↓

$ conda remove –name & –all

举例，删除名称为py36 的虚拟环境：

$ conda remove -n py36 --all

（3）激活虚拟环境

创建了虚拟环境后，需要激活切换到该虚拟环境，否则依然用的是系统的 python 环境，激活虚拟环境的命令如下：

$ conda activate &

$ conda activate py36

激活后你会看到

命令行左侧的（base）变成了（py36）这就说明已经切换到 py36 的虚拟环境下

当然你可以使用以下命令退出该虚拟环境

$ conda deactivate

命令行左侧变回原来的（base）

（4）在当前虚拟环境下使用 pip 安装深度学习框架

首先激活你需要安装 pytorch 的虚拟环境，并使用 pip install 命令安装对应的框架

比如安装1.1版本的 pytorch：

$ pip install torch==1.1

如果安装 pytorch 的过程中容易意外中断，推荐使用豆瓣源，可以加上 -i 临时指定源

$ pip install torch==1.1 -i

https://pypi.douban.com/simple

同样激活另一个虚拟环境，并使用 pip 安装你需要的 TensorFlow，就满足了你需要的两种框架共存的需求了，切换到对应环境下的 python，就可以在一台伺服器上使用不同的框架了。

2.使用 Docker 建立两个不同深度学习框架的容器

（1）基本概念

image，镜像，是一个个配置好的环境。

container，容器，是image的具体实例。

image和container的关系，相当于面向对象中类与对象的关系。

（2）使用流程

安装docker&>&>安装nvidia-docker&>&>下载镜像&>&>启动镜像、建立容器、映射目录&>&>在目录下运行程序

（3）安装Docker

现有很多安装教程，可以自己研究一下

https://www.cnblogs.com/leton/p/11674796.html

https://cloud.tencent.com/developer/article/1491566

https://www.cnblogs.com/bingmang/p/9813686.html

https://github.com/NVIDIA/nvidia-docker

http://blog.chinaunix.net/uid-10915175-id-4443127.html

（4）使用 docker 拉取镜像

Deepo 是一个几乎包含所有流行深度学习框架的 Docker 映像，拥有一个完整的可复制的深度学习研究环境。它涵盖了当前最流行的深度学习框架：theano,tensorflow,sonnet,pytorch等等

具体安装某一种框架的方式

$ docker pull ufoym/deepo

安装 TensorFlow 的镜像

$ docker pull ufoym/deepo:tensorflow

如果不想使用 Deepo，当然也可以安装其他镜像，比如pytorch的官方镜像

docker pull pytorch/pytorch:1.1.0-cuda10.0-cudnn7.5-devel

#显示已下载的所有镜像

$ docker images

#映射目录 启动镜像 调用GPU

-it 以交互模式运行 --gpus=all 调用系统中的 gpu 映射本地目录到容器中的 /workspace 路径

$ docker run -it --gpus=all -v /home/用户名/你要映射的本地目录_dir:/workspace pytorch/pytorch:1.1.0-cuda10.0-cudnn7.5-devel

这样就可以愉快地用不同的框架炼丹了，输入exit就可以在交互模式下退出镜像

如果只是做科研的话，我个人会比较推荐第一种方法

可以，虚拟机

可以的，可同时安装tensor flow，pytorch，…

用docker,你不会后悔

当然可以，建议使用docker

不光可以切换框架, python 环境

还可以切换cuda

(驱动不行)

当然可以

随便装啊，虚拟环境了解一下

题主的疑惑大概不是伺服器上能不能装两个深度学习框架，而是同一个环境内能不能装两个深度学习框架，担心两个深度学习框架同时存在于一个环境里会产生冲突。

最初我都是在命令行里面直接pip install后来发现装上了运行就报错，而且报错莫名其妙，具体什么我也忘记了，原因大概就是这个基础环境里面已经被我装了太多包了，而且各个依赖包版本也不一致。

不过后来开了个虚拟环境，每装一个框架都新开一个虚拟环境，里面只装必要的包就没有问题了。而且同一个虚拟环境都挺干净的，同时装上pytorch和tensorflow也毫无问题。

推荐使用anaconda进行包管理，miniconda，virtualenv也都行，都差不多。

大致命令如下

//创建虚拟环境
conda create -n 你的虚拟环境名称 python=3.6
//进入虚拟环境
activate 虚拟环境名称

pip install tensorflow
pip instal 你想安装的包

可以的，但要考虑两个框架对应的CUDA版本兼容问题。

可以。怕冲突可以用conda创建两个虚拟环境使用

推荐阅读：
相关文章