NVIDIA驱动、CUDA、Cudnn、Pytorch、MMCV和显卡算力对应关系以及安装

已于 2024-03-20 23:05:10 修改
阅读量1.7k 收藏 39
点赞数 29
分类专栏： 工具 文章标签： pytorch 机器学习
于 2024-03-20 19:11:29 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Soonki/article/details/136881152
版权

NVIDIA显卡驱动安装

1.安装GCC和G++

还是需要安装的，不然大概率安装驱动是会报错的。首先，建议把ubuntu镜像换成华为的，个人感觉这个还是蛮快的
执行

sudo apt-get update
sudo apt-get upgrade
sudo apt-get install build-essential manpages-dev
sudo apt-get install gcc-7 g+-7
sudo apt-get install make

为安装的GCC和G++设置优先级

sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-7 70
sudo update-alternatives --install /usr/bin/g++ g++ /usr/bin/gcc-7 70

如果不想设置优先级，可以用建立软连接的方法

sudo rm /usr/bin/gcc
sudo ln -s /usr/bin/gcc-7 /usr/bin/gcc
sudo rm /usr/bin/g++
sudo ln -s /usr/bin/g++-7 /usr/bin/g++

然后再在bashrc文件中添加：

sudo gedit ~/.bashrc
alias gcc="/usr/bin/gcc-7"
alias g++="/usr/bin/g++-7"
source ~/.bashrc

2.禁用nouveau（ubuntu自带显卡驱动）

sudo gedit /etc/modprobe.d/blacklist.conf

请在末尾加上以下两行，并保存：

blacklist nouveau
options nouveau modeset=0

然后再执行

sudo update-initramfs -u

重启电脑后，验证是否禁用nouveau，输入

lsmod | grep nouveau

什么都没有返回，则表示成功；

3.关闭图形界面（非常重要）

不然的话，大概率是会安装失败的

sudo telinit 3

输入用户名和密码后，进入驱动所在文件夹

cd Downloads
sudo bash Nvidia_550.run

一路回车就行了

然后重启图形界面

sudo service gdm3 restart

CUDA 和CUDNN安装

CUDA对应版本需要根据下面的表进行查找

Cuda版本和显卡架构算力的对应表

CUDA SDKVersion(s)    Tesla    FermiKepler(Early)Kepler(Late)MaxwellPascal   Volta   TuringAmpereAda LovelaceHopperBlackwell
11.0-1.1
1.11.0–1.1+x
21.0–1.1+x
2.1–2.3.11.0 – 1.3
3.0–3.11.02.0
3.21.02.1
4.0–4.21.02.1
5.0–5.51.03.5
6.01.03.23.5
6.51.13.75.x
7.0–7.52.05.x
8.02.06.x
9.0–9.23.07.0–7.2
10.0–10.23.07.5
11.03.58.0
11.1–11.43.58.6
11.5–11.7.13.58.7
11.83.58.99.0
12.0 – 12.45.09.0

显卡和算力对照表

由于不同显卡算力不同，所以对应的cuda版本也是不同的，例如3090显卡算力是8.6，这时候最低的cuda版本就是11.1，所以如果安装低于这两个版本的CUDA，则会无法使用pytorch_gpu。这时候一定要参照下面这个表格，根据自己显卡的算力来选择CUDA版本。

显卡和算力对照表
算
力
(version) 		微架构 GPU代号 GeForce Quadro、NVS Tesla Tegra、Jetson
1.0 Tesla G80 GeForce 8800 Ultra, GeForce 8800 GTX, GeForce 8800 GTS(G80) Quadro FX 5600, Quadro FX 4600, Quadro Plex 2100 S4 Tesla C870, Tesla D870, Tesla S870
1.1 G92, G94, G96, G98, G84, G86 GeForce GTS 250, GeForce 9800 GX2, GeForce 9800 GTX, GeForce 9800 GT, GeForce 8800 GTS(G92), GeForce 8800 GT, GeForce 9600 GT, GeForce 9500 GT, GeForce 9400 GT, GeForce 8600 GTS, GeForce 8600 GT, GeForce 8500 GT,
GeForce G110M, GeForce 9300M GS, GeForce 9200M GS, GeForce 9100M G, GeForce 8400M GT, GeForce G105M 		Quadro FX 4700 X2, Quadro FX 3700, Quadro FX 1800, Quadro FX 1700, Quadro FX 580, Quadro FX 570, Quadro FX 470, Quadro FX 380, Quadro FX 370, Quadro FX 370 Low Profile, Quadro NVS 450, Quadro NVS 420, Quadro NVS 290, Quadro NVS 295, Quadro Plex 2100 D4,
Quadro FX 3800M, Quadro FX 3700M, Quadro FX 3600M, Quadro FX 2800M, Quadro FX 2700M, Quadro FX 1700M, Quadro FX 1600M, Quadro FX 770M, Quadro FX 570M, Quadro FX 370M, Quadro FX 360M, Quadro NVS 320M, Quadro NVS 160M, Quadro NVS 150M, Quadro NVS 140M, Quadro NVS 135M, Quadro NVS 130M, Quadro NVS 450, Quadro NVS 420,[48] Quadro NVS 295
1.2 GT218, GT216, GT215 GeForce GT 340*, GeForce GT 330*, GeForce GT 320*, GeForce 315*, GeForce 310*, GeForce GT 240, GeForce GT 220, GeForce 210,
GeForce GTS 360M, GeForce GTS 350M, GeForce GT 335M, GeForce GT 330M, GeForce GT 325M, GeForce GT 240M, GeForce G210M, GeForce 310M, GeForce 305M 		Quadro FX 380 Low Profile, Quadro FX 1800M, Quadro FX 880M, Quadro FX 380M,
Nvidia NVS 300, NVS 5100M, NVS 3100M, NVS 2100M, ION
1.3 GT200, GT200b GeForce GTX 295, GTX 285, GTX 280, GeForce GTX 275, GeForce GTX 260 Quadro FX 5800, Quadro FX 4800, Quadro FX 4800 for Mac, Quadro FX 3800, Quadro CX, Quadro Plex 2200 D2 Tesla C1060, Tesla S1070, Tesla M1060
2.0 Fermi GF100, GF110 GeForce GTX 590, GeForce GTX 580, GeForce GTX 570, GeForce GTX 480, GeForce GTX 470, GeForce GTX 465,
GeForce GTX 480M 		Quadro 6000, Quadro 5000, Quadro 4000, Quadro 4000 for Mac, Quadro Plex 7000,
Quadro 5010M, Quadro 5000M 		Tesla C2075, Tesla C2050/C2070, Tesla M2050/M2070/M2075/M2090
2.1 GF104, GF106 GF108, GF114, GF116, GF117, GF119 GeForce GTX 560 Ti, GeForce GTX 550 Ti, GeForce GTX 460, GeForce GTS 450, GeForce GTS 450*, GeForce GT 640 (GDDR3), GeForce GT 630, GeForce GT 620, GeForce GT 610, GeForce GT 520, GeForce GT 440, GeForce GT 440*, GeForce GT 430, GeForce GT 430*, GeForce GT 420*,
GeForce GTX 675M, GeForce GTX 670M, GeForce GT 635M, GeForce GT 630M, GeForce GT 625M, GeForce GT 720M, GeForce GT 620M, GeForce 710M, GeForce 610M, GeForce 820M, GeForce GTX 580M, GeForce GTX 570M, GeForce GTX 560M, GeForce GT 555M, GeForce GT 550M, GeForce GT 540M, GeForce GT 525M, GeForce GT 520MX, GeForce GT 520M, GeForce GTX 485M, GeForce GTX 470M, GeForce GTX 460M, GeForce GT 445M, GeForce GT 435M, GeForce GT 420M, GeForce GT 415M, GeForce 710M, GeForce 410M 		Quadro 2000, Quadro 2000D, Quadro 600,
Quadro 4000M, Quadro 3000M, Quadro 2000M, Quadro 1000M,
NVS 310, NVS 315, NVS 5400M, NVS 5200M, NVS 4200M
3.0 Kepler GK104, GK106, GK107 GeForce GTX 770, GeForce GTX 760, GeForce GT 740, GeForce GTX 690, GeForce GTX 680, GeForce GTX 670, GeForce GTX 660 Ti, GeForce GTX 660, GeForce GTX 650 Ti BOOST, GeForce GTX 650 Ti, GeForce GTX 650,
GeForce GTX 880M, GeForce GTX 870M, GeForce GTX 780M, GeForce GTX 770M, GeForce GTX 765M, GeForce GTX 760M, GeForce GTX 680MX, GeForce GTX 680M, GeForce GTX 675MX, GeForce GTX 670MX, GeForce GTX 660M, GeForce GT 750M, GeForce GT 650M, GeForce GT 745M, GeForce GT 645M, GeForce GT 740M, GeForce GT 730M, GeForce GT 640M, GeForce GT 640M LE, GeForce GT 735M, GeForce GT 730M 		Quadro K5000, Quadro K4200, Quadro K4000, Quadro K2000, Quadro K2000D, Quadro K600, Quadro K420,
Quadro K500M, Quadro K510M, Quadro K610M, Quadro K1000M, Quadro K2000M, Quadro K1100M, Quadro K2100M, Quadro K3000M, Quadro K3100M, Quadro K4000M, Quadro K5000M, Quadro K4100M, Quadro K5100M,
NVS 510, Quadro 410 		Tesla K10, GRID K340, GRID K520, GRID K2
3.2 GK20A Tegra K1,
Jetson TK1
3.5 GK110, GK208 GeForce GTX Titan Z, GeForce GTX Titan Black, GeForce GTX Titan, GeForce GTX 780 Ti, GeForce GTX 780, GeForce GT 640 (GDDR5), GeForce GT 630 v2, GeForce GT 730, GeForce GT 720, GeForce GT 710, GeForce GT 740M (64-bit, DDR3), GeForce GT 920M Quadro K6000, Quadro K5200 Tesla K40, Tesla K20x, Tesla K20
3.7 GK210 Tesla K80
5.0 Maxwell GM107, GM108 GeForce GTX 750 Ti, GeForce GTX 750, GeForce GTX 960M, GeForce GTX 950M, GeForce 940M, GeForce 930M, GeForce GTX 860M, GeForce GTX 850M, GeForce 845M, GeForce 840M, GeForce 830M Quadro K1200, Quadro K2200, Quadro K620, Quadro M2000M, Quadro M1000M, Quadro M600M, Quadro K620M, NVS 810 Tesla M10
5.2 GM200, GM204, GM206 GeForce GTX Titan X, GeForce GTX 980 Ti, GeForce GTX 980, GeForce GTX 970, GeForce GTX 960, GeForce GTX 950, GeForce GTX 750 SE,
GeForce GTX 980M, GeForce GTX 970M, GeForce GTX 965M 		Quadro M6000 24GB, Quadro M6000, Quadro M5000, Quadro M4000, Quadro M2000, Quadro M5500,
Quadro M5000M, Quadro M4000M, Quadro M3000M 		Tesla M4, Tesla M40, Tesla M6, Tesla M60
5.3 GM20B Tegra X1,
Jetson TX1,
Jetson Nano,
DRIVE CX,
DRIVE PX
6.0 Pascal GP100 Quadro GP100 Tesla P100
6.1 GP102, GP104, GP106, GP107, GP108 Nvidia TITAN Xp, Titan X,
GeForce GTX 1080 Ti, GTX 1080, GTX 1070 Ti, GTX 1070, GTX 1060,
GTX 1050 Ti, GTX 1050, GT 1030, GT 1010,
MX350, MX330, MX250, MX230, MX150, MX130, MX110 		Quadro P6000, Quadro P5000, Quadro P4000, Quadro P2200, Quadro P2000, Quadro P1000, Quadro P400, Quadro P500, Quadro P520, Quadro P600,
Quadro P5000(Mobile), Quadro P4000(Mobile), Quadro P3000(Mobile) 		Tesla P40, Tesla P6, Tesla P4
6.2 GP10B[49] Tegra X2, Jetson TX2, DRIVE PX 2
7.0 Volta GV100 NVIDIA TITAN V Quadro GV100 Tesla V100, Tesla V100S
7.2 GV10B[50]

GV11B[51][52]

Tegra Xavier,
Jetson Xavier NX,
Jetson AGX Xavier,
DRIVE AGX Xavier,
DRIVE AGX Pegasus,
Clara AGX
7.5 Turing TU102, TU104, TU106, TU116, TU117 NVIDIA TITAN RTX,
GeForce RTX 2080 Ti, RTX 2080 Super, RTX 2080, RTX 2070 Super, RTX 2070, RTX 2060 Super, RTX 2060 12GB, RTX 2060,
GeForce GTX 1660 Ti, GTX 1660 Super, GTX 1660, GTX 1650 Super, GTX 1650, MX550, MX450 		Quadro RTX 8000, Quadro RTX 6000, Quadro RTX 5000, Quadro RTX 4000, T1000, T600, T400
T1200(mobile), T600(mobile), T500(mobile), Quadro T2000(mobile), Quadro T1000(mobile) 		Tesla T4
8.0 Ampere GA100 A100 80GB, A100 40GB, A30
8.6 GA102, GA103, GA104, GA106, GA107 GeForce RTX 3090 Ti, RTX 3090, RTX 3080 Ti, RTX 3080 12GB, RTX 3080, RTX 3070 Ti, RTX 3070, RTX 3060 Ti, RTX 3060, RTX 3050, RTX 3050 Ti(mobile), RTX 3050(mobile), RTX 2050(mobile), MX570 RTX A6000, RTX A5500, RTX A5000, RTX A4500, RTX A4000, RTX A2000
RTX A5000(mobile), RTX A4000(mobile), RTX A3000(mobile), RTX A2000(mobile) 		A40, A16, A10, A2
8.7 GA10B Jetson Orin Nano,
Jetson Orin NX,
Jetson AGX Orin,
DRIVE AGX Orin,
DRIVE AGX Pegasus OA,
Clara Holoscan
8.9 Ada Lovelace AD102, AD103, AD104, AD106, AD107 GeForce RTX 4090, RTX 4080 Super, RTX 4080, RTX 4070 Ti Super, RTX 4070 Ti, RTX 4070 Super, RTX 4070, RTX 4060 Ti, RTX 4060 RTX 6000 Ada, RTX 5880 Ada, RTX 5000 Ada, RTX 4500 Ada, RTX 4000 Ada, RTX 4000 SFF L40S, L40, L20, L4, L2
9.0 Hopper GH100 H200, H100
10.0 Blackwell GB100 B100
10.x Blackwell GB202 B40

安装

查找到对应cuda版本后，直接安装就行，这里展示的是多版本cuda安装，例如，我们同时需要CUDA11.1和CUDA10.2，至于为什么我要安装CUDA10.2，可以参考下面的MMCV版本图，只有CUDA10.2的兼容性是最好的。
首先安装CUDA软件

sudo bash CUDA11.1.run

在这里插入图片描述
只需要注意这里不要选，因为驱动已经安装过了，然后选择install就行了。
这时候，我们安装对应版本的CUDNN，如果下载的是deb格式的，

sudo dpkg -i cudnn.deb

而我习惯下载"Installer for linux x86_64(Tar)"格式的文件，解压后，进入目录文件，然后执行：

sudo cp cuda/include/cudnn.h /usr/local/cuda-11.1/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-11.1/lib64/
sudo chmod a+r /usr/local/cuda-11.1/include/cudnn.h
sudo chmod a+r /usr/local/cuda-11.1/lib64/libcudnn*

然后安装另一个版本的CUDA和CUDNN（10.2和11.1版本先后顺序无所谓，但是一定要先安装cuda然后安装对应的cudnn）

sudo bash CUDA10.2.run
sudo cp cuda/include/cudnn.h /usr/local/cuda-10.2/include/
sudo cp cuda/lib64/libcudnn* /usr/local/cuda-10.2/lib64/
sudo chmod a+r /usr/local/cuda-10.2/include/cudnn.h
sudo chmod a+r /usr/local/cuda-10.2/lib64/libcudnn*

过程和上面一样。
然后是设置cuda路径，注意这里的路径是“/usr/local/cuda”，而非"/usr/local/cuda-10.2"或者"/usr/local/cuda-11.1"之类的

sudo gedit ~/.bashrc

然后在文件后面添加以下内容

export CUDA_HOME=/usr/local/cuda
export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

保存之后，执行

source ~/.bashrc

下面的步骤建议保存，因为有时候要切换CUDA版本，这时候可能会忘记。

切换cuda10.2

sudo rm -rf /usr/local/cuda
sudo ln -s /usr/local/cuda-10.2 /usr/local/cuda

切换cuda11.1

sudo rm -rf /usr/local/cuda
sudo ln -s /usr/local/cuda-11.1 /usr/local/cuda

其他版本的cuda也是这样，没有区别。

Pytorch安装

这里是CUDA和Pytorch版本的对应关系，根据表格内容在官网中选择对应下载代码

torchtorchvisionpythonCUDA
2.20.17>=3.8, <=3.11
2.1.00.16>=3.8, <=3.1111.8, 12.1
2.0.0>0.14>=3.7, <=3.1011.7, 11.8
1.13.00.14>=3.7, <=3.1111.6, 11.7
1.12.00.13>=3.7, <=3.1010.2, 11.3, 11.6
1.11.00.12.0>=3.7, <=3.1010.2, 11.3
1.10.20.11.3>=3.6, <=3.910.2, 11.3
1.10.10.11.2>=3.6, <=3.910.2, 11.3
1.10.00.11.1>=3.6, <=3.910.2, 11.3
1.9.10.10.1>=3.6, <=3.910.2, 11.3
1.9.00.10.0>=3.6, <=3.910.2, 11.3
1.8.00.9.0>=3.6, <=3.99.2, 10.1, 10.2， 11.0
1.7.10.8.2>=3.6, <=3.99.2, 10.1, 10.2， 11.0
1.7.00.8.0>=3.6, <=3.89.2, 10.1, 10.2， 11.0
1.6.00.7.0>=3.6, <=3.89.2, 10.1, 10.2
1.5.10.6.1>=3.5, <=3.89.2, 10.1, 10.2
1.5.00.6.0>=3.5, <=3.89.2, 10.1, 10.2
1.4.00.5.0==2.7, >=3.5, <=3.89.2, 10.0
1.3.10.4.2==2.7, >=3.5, <=3.79.2, 10.0
1.3.00.4.1==2.7, >=3.5, <=3.79.2, 10.0
1.2.00.4.0==2.7, >=3.5, <=3.79.2, 10.0
1.1.00.3.0==2.7, >=3.5, <=3.79.0, 10.0
<=1.0.10.2.2==2.7, >=3.5, <=3.79.0, 10.0

MMCV-full版本对照表

以下打✅的表示存在mmcv-full的版本，而且要注意，mmcv2.0.0以后的版本不再区分mmcv和mmcv-full，MMCV2.x 中，mmcv-full被重命名为mmcv，mmcv被重名为 mmcv-lite。

包名<2.0>=2.0
mmcv-full包含CUDA算子没有这个包
mmcv不包含CUDA算子包含CUDA算子
mmcv-lite没有这个包不包含CUDA算子
之前的版本MMCV1.x 中，据官网描述，mmcv和mmcv-full不能同时安装，不然会报错，且mmcv-full只能在pytorch的1.x.0版本上进行编译。
Cuda版本torch1.11torch1.10torch1.9torch1.8torch1.7torch1.6torch1.5
11.5✅❌❌❌❌❌❌
11.3✅✅❌❌❌❌❌
11.1❌✅✅✅❌❌❌
11.0❌❌❌❌✅❌❌
10.2✅✅✅✅✅✅✅
9.2❌❌❌❌✅✅✅

在官网中中输入自己的各种版本，然后按要求安装

在这里插入图片描述

Soonki
关注
  • 29
    点赞
  • 踩
  • 39
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
NVIDIA CUDA 高度并行处理器编程（一）：CUDA简介
ikun的博仔的博客
05-08 1894
nVIDIA CUDA 高度并行处理器编程（一）：CUDA简介
NVIDIA驱动、CUDA和Pytorch及其依赖
05-18
说明： 1、离线环境下安装NVIDIA驱动、CUDA和Pytorch（HUAWEI Kunpeng 920 + NVIDIA A100 + Kylin V10 SP2） 2、因为文件太大，所以资源中只包括PyTorch及其依赖，其他文件评论我，我会私发你。
深度学习环境配置---显卡驱动、pytorch、cuda和cudnn之间的配置关系
weixin_45564943的博客
01-14 5274
目录 1. 显卡驱动 2.cuda 3.cudnn 4.pytorch 简单的关系如下图： 1. 显卡驱动 显卡驱动是电脑上服务于显卡的驱动程序，有了显卡驱动显卡的功能才能被最大化利用！ 显卡驱动的作用就是用来驱动显卡的，这是电脑硬件中所对应的一个软件。通过添加驱动程序计算机中的硬件就能正常的工作，当然不同的硬件使用的驱动程序也不一样。显卡对应的就是显卡驱动。显卡在电脑中提供图形的重要显示部分，直接关系到电脑的图形显示，而且显卡还可以提供更清晰的画质，给用户带来视频体验。显卡驱动的作用就
RTX5000安装显卡驱动 CUDA9.0 CUDNN
HeavenWalker
11-23 6535
Linux Ubuntu16.0.4 | Ubuntu17.04，显卡：RTX5000，安装CUDA9.0，或者高显卡驱动安装低版本CUDA
CUDA：王者之巅——探究CUDA为何能成为并行计算的佼佼者
最新发布
异构算力老群群（在读985计算机博士生）的技术博客
05-21 1238
CUDA（Compute Unified Device Architecture）是NVIDIA公司为其GPU（图形处理器）设计的一种并行计算平台和编程模型。诞生背景GPU的并行处理能力：GPU原本主要用于图形处理，但其内部的大规模并行结构使得它非常适合进行密集型计算工作负载。计算需求的增长：随着科学技术的发展，尤其是在科学计算、大数据处理、机器学习和深度学习等领域，对计算能力的需求不断增长。编程接口的需求：为了充分利用GPU的强大计算能力，需要一种易于编程和优化的接口，CUDA应运而生。
版本匹配指南：PyTorch版本、CUDA 版本和MMCV版本的对应关系
创作高质量博文，分享知识，共同进步！
04-05 2697
📚版本匹配不再愁！🔍一文解锁PyTorch、CUDA与MMCV的最佳拍档🎉 🚀深度学习领域，版本匹配是关键！本指南为你揭秘PyTorch、CUDA与MMCV的对应关系，让你轻松选择最佳拍档！🌟 🔍我们深入探讨版本匹配的重要性，并提供版本对应关系表，助你快速定位合适版本。📋 🔧同时，分享如何选择合适的MMCV版本，避免实践中的版本匹配问题。🚀 💡总结与展望，期待与你共同进步，掌握版本匹配的艺术！🤝 #PyTorch版本匹配 #CUDA版本匹配 #MMCV版本选择 #深度学习最佳
幸福的烦恼：显卡算力太高而pytorch版本太低不支持
定期分享我的发现和想法，感谢你的陪伴和支持
03-17 1万+
如果您想在PyTorch中使用NVIDIA GeForce RTX 3090 GPU，请查看https://pytorch.org/get-started/locally/的说明。翻译一下就是：RTX 3090的算力是8.6，但是当前的PyTorch依赖的CUDA版本支持的算力只有3.7、5.0、6.0、7.0。算力7.0的显卡可以在支持最高算力7.5的CUDA版本下运行，但是算力7.5的显卡不可以在支持最高算力7.0的CUDA版本下运行。CUDA capability sm_86：算力8.6。
MMCV/MMDet/MMDet3D 的版本对应
csuzhaoqinghui的博客
06-01 9173
MMDetection3D version MMDetection version MMSegmentation version MMCV、 version master mmdet>=2.24.0, <=3.0.0 mmseg>=0.20.0, <=1.0.0 mmcv-full>=1.5.2, <=1.7.0 v1.0.0rc4 mmdet>=2.24.0, <=3.0.0 mmseg>=0.2
NVIDIA 安装 CUDA
热门推荐
qq_35930739的博客
12-03 1万+
名词解释：CUDA 是一个架构 该架构使GPU能够解决复杂的计算问题此实战使用电脑为联想Y9000P 显卡型号为 3060在安装 CUDA 之前需要先打开 NVIDIA 控制面板如图我这个显卡需要安装 CUDA 11.7 的版本进入官网下载 CUDA NVIDIA Developer 选择 CUDA 注意：不要在这个页面点击下载因为默认版本是11.8 要选择自己所对应的版本 进行版本选择找到自己要下载的版本 进行下载 三、安装 CUDAYou already have a newer version
MX250显卡驱动+cuda10.2+cudnn10.2
09-01
在IT领域，特别是涉及到高性能计算和深度学习时，MX250显卡、CUDA 10.2和cuDNN 10.2是至关重要的组件。这些元素一起构成了一个强大的计算平台，允许用户充分利用图形处理器（GPU）的并行处理能力。 MX250是一款由...
pytorch安装pytorch+gpu版本安装，pytorch+cuda10.1+cudnn7.6.5安装
09-28
本教程将详细讲解如何在系统中安装PyTorch与GPU支持，特别是与CUDA 10.1和CUDNN 7.6.5配合使用的版本。 首先，了解CUDA和CUDNN是关键。CUDA是NVIDIA开发的一种并行计算平台和编程模型，它允许开发者使用GPU进行高...
详解Ubuntu16.04安装nvidia驱动+CUDA+cuDNN的教程
09-14
在本教程中，我们将深入探讨如何在Ubuntu 16.04系统上安装NVIDIA显卡驱动、CUDA工具包以及cuDNN库。这个过程对于那些想要利用GPU进行深度学习和高性能计算的用户来说至关重要。 首先，我们需要确保你的GPU支持CUDA...
pytorch安装GPU版本cuda和cudnn安装配置
01-22
总结，安装GPU版本的PyTorch涉及CUDA和cuDNN的配置，以及PyTorch的正确选择和安装，同时还需要调整包管理器的源以提高下载速度。确保每个步骤都正确执行，才能让PyTorch充分利用GPU资源进行高效的深度学习计算。
NVIDIA的CUDA初步探索（1）
一个小白的博客
04-20 278
cuda只是基于NVIDIA的显卡的开发。 查看显卡的支持 1.打开NVIDIA控制面板，最高支持cuda 9.2.217 2.查看cuda版本 nvcc -V 3.安装https://developer.nvidia.cn/zh-cn/cuda-downloads 4.安装，自定义，全选，继续
NVIDIA CUDA原理和基础知识
gigglesun的专栏
01-21 1万+
为什么使用GPU 为什么现在使用GPU（Graphics Processing Unit）编程越来越多，主要是因为GPU相对于CPU的运算速度，内存带宽均有较大的优势，下面是摘自《CUDA C PROGRAMMING GUIDE》中的图片： 浮点数运算速度： 内存带宽： GPU为什么性能高 这是因为GPU中硬件更多的用于data processing而不是data caching 或 flow...
Nvidia显卡驱动（cuda）安装说明
weixin_46016933的博客
07-04 1436
针对centos上安装nvidia显卡驱动做出操作说明记录
Nvidia 3060显卡 CUDA环境搭建(Ubuntu22.04+Nvidia 510+Cuda11.6+cudnn8.8)
山河已无恙
06-15 3878
工作中遇到，简单整理理解不足小伙伴帮忙指正对每个人而言，真正的职责只有一个：找到自我。然后在心中坚守其一生，全心全意，永不停息。所有其它的路都是不完整的，是人的逃避方式，是对大众理想的懦弱回归，是随波逐流，是对内心的恐惧 ——赫尔曼·黑塞《德米安》
【GPU】Nvidia CUDA 编程中级教程——数据复制与计算的重叠
从善若水的博客
08-08 790
流是一个 GPU 操作序列，依发布顺序执行，CUDA 编程人员能创建并利用多个流。名为默认流的特殊流（此处标记为 stream0） ，其他所有流均称为非默认流（此处标记为 streams 1-3）。同一流中的操作将依发布顺序执行。然而，不同的非默认流中启动的操作并无固定的执行顺序。...
Linux nvidia CUDA安装手册
Taylor Guo
12-06 763
Linux nvidia CUDA安装手册
anacoda cuda cudnn pytorch 安装
04-27
Anaconda是一个基于Python的开发环境，包含常用的Python第三方库和工具。安装Anaconda可以方便地创建和管理Python虚拟环境，使得项目之间的依赖不会互相影响。安装Anaconda可以到官网下载相应版本的安装包，根据安装向导完成安装即可。 CUDA是NVIDIA推出的一个并行计算平台和编程模型，用于加速GPU计算。安装CUDA需要先确认自己的GPU型号和对应的CUDA版本，然后到NVIDIA官网下载相应版本的CUDA安装包，安装过程中需要注意选择安装目录和添加环境变量，完成安装后需要验证CUDA是否安装成功。 cuDNN是NVIDIA开发的深度神经网络（DNN）加速库，提供了高效的DNN前向和反向算法的实现。安装cuDNN需要先下载对应版本的cuDNN安装包，并将解压后的文件复制到CUDA安装目录下，然后添加cuDNN的路径到环境变量中。 PyTorch是一个基于Python的开源机器学习框架，支持动态计算图和自动求导。安装PyTorch可以通过pip或conda命令进行安装，建议使用conda install命令，可以解决依赖关系问题。在安装PyTorch时需要注意选择对应的Python版本和CUDA版本，以及安装适配的cuDNN版本。 总之，安装Anaconda、CUDA、cuDNN和PyTorch需要仔细阅读各自的安装指南，并根据自己的硬件和软件环境选择适配的版本和配置。同时要注意添加环境变量和验证安装是否成功，避免安装失败或出现兼容性问题。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值