在同一虚拟环境运行TensorFlow与PyTorch的解决方案求助

一、锁定兼容版本组合（核心前提） #

RTX2070S 属于 Turing 架构，支持 CUDA 10.1~11.x，优先选择以下无冲突版本组合：

• TensorFlow 2.10.x（Windows 原生支持的最后一个稳定版）
• PyTorch 1.13.x
• CUDA 11.6 + cuDNN 8.4.0

二、虚拟环境创建与安装步骤 #

1. 用 Conda 创建隔离环境（规避系统包冲突）

   conda create -n tf_pytorch python=3.9 -y
   conda activate tf_pytorch
   

   选择 Python 3.9 是因为上述 TF 和 PyTorch 版本对其兼容性最优。

2. 先安装 PyTorch（通过 Conda 自动管理 CUDA 依赖）

   conda install pytorch==1.13.1 torchvision==0.14.1 torchaudio==0.13.1 pytorch-cuda=11.6 -c pytorch -c nvidia -y
   

   Conda 会自动配置 CUDA Toolkit 和 cuDNN，无需手动下载安装。

3. 再安装 TensorFlow（用 Pip 匹配已配置的 CUDA 环境）

   pip install tensorflow==2.10.1
   

三、解决 TensorFlow fit 内核崩溃问题 #

1. 更新 GPU 驱动至适配 CUDA 11.6 的版本（最低要求 450.80.02，建议通过 GeForce Experience 安装最新稳定版）。
2. 开启 TensorFlow 显存动态增长，避免抢占全部显存导致冲突：

   import tensorflow as tf
   gpus = tf.config.list_physical_devices('GPU')
   if gpus:
       try:
           tf.config.experimental.set_memory_growth(gpus[0], True)
       except RuntimeError as e:
           print(e)
   

3. 检查环境冲突：用 conda list 查看是否存在重复的 CUDA/cuDNN 包，如有则通过 conda remove --force <包名> 删除冗余项。

四、备选方案：切换至 WSL2 环境 #

若 Windows 原生环境仍有冲突，可利用 Win11 自带的 WSL2：

1. 开启 WSL2 并安装 Ubuntu 发行版；
2. 在 WSL2 内重复上述 Conda 环境配置步骤，可兼容更高版本的 TF（2.11+）和 PyTorch（2.x+），且显存管理更稳定。

内容的提问来源于stack exchange，提问作者nuyhc