一、CUDA安装
CUDA(Compute Unified Device Architecture),是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构,该架构使GPU能够解决复杂的计算问题。 它包含了CUDA指令集架构(ISA)以及GPU内部的并行计算引擎。 开发人员可以使用C语言来为CUDA架构编写程序,所编写出的程序可以在支持CUDA™的处理器上以超高性能运行。CUDA3.0已经开始支持C++和FORTRAN。
我们可以安装CUDA来进行深度学习在NVIDIA的GPU显卡加速运算。
但是我们在安装CUDA之前,要先确认计算机上是否支持CUDA程序的NVIDIA显卡设备。
打开设备管理器,查看显示适配器是否有英伟达的显卡配置
如果计算机上没有NVIDIA显卡,则无法安装CUDA程序。
CUDA的安装很简单,就分成三步:
1、cuda的软件安装
2、cvDNN的神经网络加速库安装
3、配置环境变量
cuda软件安装
如何判断自己应该下载什么版本的cuda呢?
打开nvidia(桌面右键)->选择左下角的系统信息->组件
点击系统信息,查看cuda版本
可以看到我的最高支持版本是11.6
我们进入cuda软件下载的界面:CUDA下载页
进入后选择CUDA Toolkit 11.6.0版本
打开安装软件:路径可自行更改
这里我们选择自定义安装。
在组件CUDA一栏中,取消勾选Visual Studio Integration(因为我们并没有使用Visual Stduio环境,即使勾选上了也会安装失败)
在Driver components一栏比较Display Driver的新版本和当前版本的信息。若当前版本高于新版本,则取消勾选Display Driver;若若当前版本低于新版本,则保留默认安装信息即可,否则电脑会死机或者卡顿,甚至可能蓝屏。!!!
在CUDA的安装路径这里,保持默认就好,默然安装在C盘,一定一定不要修改。
一定一定要记住安装路径,因为后面配置环境要用到!!!
安装完成后,我们打开环境变量查看环境是否配置好了,打开系统变量:
如果系统变量没有自动配置的话,需要我们手动配置。路径是根据前面是否自己有没有修改来指定。↓
配置好环境变量后,我们检查下CUDA是否安装成功。打开cmd,输入以下命令查看CUDA是否安装成功(二选一)
如果不能显示以下信息,则说明安装失败。
nvcc -V
或
nvcc --version
还可以查看CUDA 设置的环境变量。
set cuda
cuDNN神经网络加速库安装
CUDA并不是实现GPU的神经网络加速库,如果希望针对的是神经网络进行加速,我们还需要安装cuDNN神经网络加速库。
cuDNN并非是应用程序,而是几个文件包,下载后把它复制到CUDA 的目录下即可。
cuDNN下载页:cuDNN下载页
注意!如果要下载cuDNN,必须要登录NVIDIA的账户。登录完成后才能下载。没登录过的先注册。
下载好安装包后,我们解压可以看到有四个文件:
将cuDNN的文件全部复制到cuda源文件夹v11.6下,复制后的文件展示:(有重复的文件是正常的,覆盖掉就好)
cuDNN其实就是CUDA的一个补丁而已,专为深度学习运算进行优化的,然后我们再添加环境变量!继续往下走。
配置环境变量
我们打开环境变量,在系统变量的path路径下添加以下路径:(具体要根据自己的安装路径下做调整)
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include
配置好环境后,我们需要验证环境变量是否配置成功:
打开cmd,我们进入到以下路径:
cd /d C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite
然后分别执行以下两个命令:.\bandwidthTest.exe
和.\deviceQuery.exe
如果Result都为PASS的话则配置成功!
都安装好之后,我们可以继续输入nvidia-smi
查看CUDA的信息,然后根据安装版本的信息再去实现其他的库(环境)安装和使用!
如图所示,可以看到驱动的版本是512.92;最高支持的CUDA版本是11.6版本。
二、TensorFlow的gpu版本安装
国内利用pip命令下载安装经常会遇到下载速度很慢甚至连接断开、响应超时等导致安装失败的情况。这时,我们可以选择国内的镜像配置pip源,仅需要在“pip install”命令后加入“-i 源地址”即可。
现在我们利用国内清华源安装TensorFlow的最新版本。
打开cmd,以下命令安装:
pip install -U tensorflow-gpu -i https://pypi.tuna.tsinghua.edu.cn/simple
“-U”参数指定如果已安装此包,则进行升级命令。
安装好后,我们检测是否安装成功:
进入python环境,打开ipython交互命令终端,导包:import tensorflow as tf
若无错误信息,输入
tf.test.is_gpu_available()
会返回tensorflow的gpu版本信息。
在末尾如果显示True,则tensorflow的gpu版本安装成功;若为False,则说明安装失败,需要重新检查CUDA,cuDNN的安装及其环境变量的配置。注意看返回的错误信息,重点检查CUDA和cuDNN的版本和tensorflow的版本是否匹配!
或者输入
tf.config.list_physical_devices('GPU')
还能查看服务类型。
还可以查看TensorFlow的版本信息:
tf.__version__
后面如果我们通过tensorflow进行模型训练,系统会自动使用GPU来训练,不用我们自己手动设置。
转自:https://blog.csdn.net/weixin_56197703/article/details/125192385
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)