cuda和cudnn环境安装

最新推荐文章于 2023-10-27 17:01:18 发布
最新推荐文章于 2023-10-27 17:01:18 发布
阅读量267 收藏 1
点赞数
分类专栏： ubuntu
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/Tilyp/article/details/102721557
版权

 验证自己的电脑是否有一个可以支持CUDA的GPU

lspci | grep -i nvidia
02:00.0 3D controller: NVIDIA Corporation GP100GL [Tesla P100 PCIe 12GB] (rev a1)
03:00.0 3D controller: NVIDIA Corporation GP100GL [Tesla P100 PCIe 12GB] (rev a1)
83:00.0 3D controller: NVIDIA Corporation GP100GL [Tesla P100 PCIe 12GB] (rev a1)
84:00.0 3D controller: NVIDIA Corporation GP100GL [Tesla P100 PCIe 12GB] (rev a1)

        下载cuda，赋权

chmod +x NVIDIA-Linux-x86_64-384.111.run

        安装

sudo ./NVIDIA-Linux-x86_64-384.111.run

       报错

 ERROR: You appear to be running an X server; please exit X before            
         installing.  For further details, please see the section INSTALLING   
         THE NVIDIA DRIVER in the README available on the Linux driver         
         download page at www.nvidia.com.

       解决

sudo service lightdm stop
sudo init 3

       解决之后重新安装即可

      安装cudnn

tar -zxvf cudnn-9.0-linux-x64-v7.5.1.10.tar
sudo cp cuda/include/cudnn.h /usr/local/cudan-9.0/include
sudo cp cuda/lib64/libcudnn* /usr/local/cudan-9.0/lib64
sudo chmod a+r /usr/local/cudan-9.0/include/cudnn.h /usr/local/cudan-9.0/lib64/libcudnn*

       配置环境变量

export PATH=/usr/local/cuda-9.0/bin${PATH:+:${PATH}}
export LD_LIBRARY_PATH=/usr/local/cuda-9.0/lib64${LD_LIBRARY_PATH:+:${LD_LIBRARY_PATH}}
export CUDA_HOME=/usr/local/cuda-9.0

      这里是临时写法，你可以写入.bashrc中

      验证

tilyp@tilyp:~$ nvidia-smi 
Fri Oct 18 14:00:53 2019       
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 384.111                Driver Version: 384.111                   |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  Tesla P100-PCIE...  Off  | 00000000:02:00.0 Off |                    0 |
| N/A   31C    P0    25W / 250W |      0MiB / 12193MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   1  Tesla P100-PCIE...  Off  | 00000000:03:00.0 Off |                    0 |
| N/A   33C    P0    25W / 250W |      0MiB / 12193MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   2  Tesla P100-PCIE...  Off  | 00000000:83:00.0 Off |                    0 |
| N/A   31C    P0    25W / 250W |      0MiB / 12193MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
|   3  Tesla P100-PCIE...  Off  | 00000000:84:00.0 Off |                    0 |
| N/A   34C    P0    25W / 250W |      0MiB / 12193MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+
                                                                               
+-----------------------------------------------------------------------------+
| Processes:                                                       GPU Memory |
|  GPU       PID   Type   Process name                             Usage      |
|=============================================================================|
|  No running processes found                                                 |
+-----------------------------------------------------------------------------+

         安装tensorflow-gpu

./anaconda3/bin/python -m pip install tensorflow-gpu==1.12.0

         编写测试代码

import tensorflow as tf
 
with tf.device('/cpu:0'):
    a = tf.constant([1.0,2.0,3.0],shape=[3],name='a')
    b = tf.constant([1.0,2.0,3.0],shape=[3],name='b')
with tf.device('/gpu:1'):
    c = a+b 
   
sess = tf.Session(config=tf.ConfigProto(allow_soft_placement=True,log_device_placement=True))
sess.run(tf.global_variables_initializer())
print(u'test result',sess.run(c))

        运行测试代码

tilyp@tilyp:~$ ./anaconda3/bin/python andy/cs.py 
/home/tilyp/anaconda3/lib/python3.6/site-packages/h5py/__init__.py:36: FutureWarning: Conversion of the second argument of issubdtype from `float` to `np.floating` is deprecated. In future, it will be treated as `np.float64 == np.dtype(float).type`.
  from ._conv import register_converters as _register_converters
2019-10-18 14:15:51.909179: I tensorflow/core/platform/cpu_feature_guard.cc:141] Your CPU supports instructions that this TensorFlow binary was not compiled to use: AVX2 FMA
2019-10-18 14:15:52.515317: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 0 with properties: 
name: Tesla P100-PCIE-12GB major: 6 minor: 0 memoryClockRate(GHz): 1.3285
pciBusID: 0000:02:00.0
totalMemory: 11.91GiB freeMemory: 11.62GiB
2019-10-18 14:15:52.965630: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 1 with properties: 
name: Tesla P100-PCIE-12GB major: 6 minor: 0 memoryClockRate(GHz): 1.3285
pciBusID: 0000:03:00.0
totalMemory: 11.91GiB freeMemory: 11.62GiB
2019-10-18 14:15:53.436083: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 2 with properties: 
name: Tesla P100-PCIE-12GB major: 6 minor: 0 memoryClockRate(GHz): 1.3285
pciBusID: 0000:83:00.0
totalMemory: 11.91GiB freeMemory: 11.62GiB
2019-10-18 14:15:53.920070: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1432] Found device 3 with properties: 
name: Tesla P100-PCIE-12GB major: 6 minor: 0 memoryClockRate(GHz): 1.3285
pciBusID: 0000:84:00.0
totalMemory: 11.91GiB freeMemory: 11.62GiB
2019-10-18 14:15:53.922941: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1511] Adding visible gpu devices: 0, 1, 2, 3
2019-10-18 14:15:55.185349: I tensorflow/core/common_runtime/gpu/gpu_device.cc:982] Device interconnect StreamExecutor with strength 1 edge matrix:
2019-10-18 14:15:55.185405: I tensorflow/core/common_runtime/gpu/gpu_device.cc:988]      0 1 2 3 
2019-10-18 14:15:55.185414: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 0:   N Y N N 
2019-10-18 14:15:55.185420: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 1:   Y N N N 
2019-10-18 14:15:55.185427: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 2:   N N N Y 
2019-10-18 14:15:55.185448: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1001] 3:   N N Y N 
2019-10-18 14:15:55.186553: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:0 with 11241 MB memory) -> physical GPU (device: 0, name: Tesla P100-PCIE-12GB, pci bus id: 0000:02:00.0, compute capability: 6.0)
2019-10-18 14:15:55.187094: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:1 with 11241 MB memory) -> physical GPU (device: 1, name: Tesla P100-PCIE-12GB, pci bus id: 0000:03:00.0, compute capability: 6.0)
2019-10-18 14:15:55.187522: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:2 with 11241 MB memory) -> physical GPU (device: 2, name: Tesla P100-PCIE-12GB, pci bus id: 0000:83:00.0, compute capability: 6.0)
2019-10-18 14:15:55.187926: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1115] Created TensorFlow device (/job:localhost/replica:0/task:0/device:GPU:3 with 11241 MB memory) -> physical GPU (device: 3, name: Tesla P100-PCIE-12GB, pci bus id: 0000:84:00.0, compute capability: 6.0)
Device mapping:
/job:localhost/replica:0/task:0/device:XLA_GPU:0 -> device: XLA_GPU device
/job:localhost/replica:0/task:0/device:XLA_CPU:0 -> device: XLA_CPU device
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla P100-PCIE-12GB, pci bus id: 0000:02:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla P100-PCIE-12GB, pci bus id: 0000:03:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla P100-PCIE-12GB, pci bus id: 0000:83:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla P100-PCIE-12GB, pci bus id: 0000:84:00.0, compute capability: 6.0
2019-10-18 14:15:55.195507: I tensorflow/core/common_runtime/direct_session.cc:307] Device mapping:
/job:localhost/replica:0/task:0/device:XLA_GPU:0 -> device: XLA_GPU device
/job:localhost/replica:0/task:0/device:XLA_CPU:0 -> device: XLA_CPU device
/job:localhost/replica:0/task:0/device:GPU:0 -> device: 0, name: Tesla P100-PCIE-12GB, pci bus id: 0000:02:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:1 -> device: 1, name: Tesla P100-PCIE-12GB, pci bus id: 0000:03:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:2 -> device: 2, name: Tesla P100-PCIE-12GB, pci bus id: 0000:83:00.0, compute capability: 6.0
/job:localhost/replica:0/task:0/device:GPU:3 -> device: 3, name: Tesla P100-PCIE-12GB, pci bus id: 0000:84:00.0, compute capability: 6.0

add: (Add): /job:localhost/replica:0/task:0/device:GPU:1
2019-10-18 14:15:55.202774: I tensorflow/core/common_runtime/placer.cc:927] add: (Add)/job:localhost/replica:0/task:0/device:GPU:1
init: (NoOp): /job:localhost/replica:0/task:0/device:GPU:0
2019-10-18 14:15:55.202822: I tensorflow/core/common_runtime/placer.cc:927] init: (NoOp)/job:localhost/replica:0/task:0/device:GPU:0
a: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-10-18 14:15:55.202839: I tensorflow/core/common_runtime/placer.cc:927] a: (Const)/job:localhost/replica:0/task:0/device:GPU:0
b: (Const): /job:localhost/replica:0/task:0/device:GPU:0
2019-10-18 14:15:55.202854: I tensorflow/core/common_runtime/placer.cc:927] b: (Const)/job:localhost/replica:0/task:0/device:GPU:0
test result [2. 4. 6.]
tilyp@tilyp:~$

          安装结束，笔记而已，讨论加QQ群：526855734

Tilyp
关注
  • 0
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
ubuntu16.04　显卡驱动，cuda和cudnn安装
xdoubletreex的博客
05-07 917
       我的深度学习的开始，从caffe安装配置。种种的坑迈了一片又一片，最后又抛弃这个平台。新手还是推荐其他平台，caffe确实有点坑。这篇主要包括显卡驱动安装，cuda安装，cudnn的安装，caffe-gpu将在下篇介绍。 1.ubuntu 16.04显卡驱动安装        首先一个简单的方法，打开系统...
Ubuntu 20.04 CUDA&cuDNN安装方法(图文教程)
09-14
在Ubuntu 20.04操作系统中安装CUDA和cuDNN是进行深度学习和高性能计算的重要步骤。CUDA是NVIDIA公司提供的一个并行计算平台，它允许开发者利用GPU的计算能力来加速应用程序。cuDNN（CUDA Deep Neural Network）则是...
CUDA和CuDNN安装
Romaga的博客
10-21 1094
CUDA，CuDNN安装配置
CUDA和CUDNN的安装
weixin_42225792的博客
04-08 1895
检查自己的GPU cmd下输入： nvidia-smi 下载 CUDA https://developer.nvidia.com/cuda-toolkit-archive 这个正常安装就行 CUDNN https://developer.nvidia.com/rdp/cudnn-download 在安装完这个之后，将如下三个文件夹所示所有文件复制到CUDA的对应三个当中。 注意CUDA和CUDNN一定要版本对应！！！ 环境变量配置 检查有无这两个 输入nvcc -V查看刚刚安装的cuda 在环境变量
CUDA和cudnn的安装
六小白的博客
03-16 5942
CUDA和cudnn的安装一、CUDA的安装1.1 查看显卡驱动版本1.2 下载CUDA1.3 安装CUDA1.4 设置环境变量1.5 测试CUDA是否装好 安装CUDA之前，需要查看自己电脑的GPU驱动的版本，因为CUDA版本对GPU驱动版本有要求，对应关系如下： 一、CUDA的安装 1.1 查看显卡驱动版本 鼠标在桌面空白处点击右键，然后选择“NVIDIA控制面板”，下图中红框位置即为自己电脑GPU版本。 根据自己电脑GPU显卡驱动的版本号选择合适的CUDA版本。 1.2 下载CUDA CUDA下
Ubuntu安装和卸载CUDA和CUDNN的实现
09-14
在Ubuntu系统中，安装和卸载CUDA以及CUDNN是深度学习和GPU计算的重要环节。CUDA是NVIDIA提供的用于加速计算的应用程序编程接口(API)，而CUDNN是CUDA的深度神经网络库，优化了卷积神经网络等计算密集型任务。以下是...
深度学习电脑配置：cuda和cudnn安装步骤
06-10
环境变量配置是指在安装 CUDA 和 cuDNN 后，配置环境变量，以便在开发过程中可以正确地调用 CUDA 和 cuDNN 库。 五、结论 本文详细介绍了 CUDA 和 cuDNN 的安装步骤，并对它们的作用和重要性进行解释。CUDA 和 ...
cuda&cuDnn_9和cuda&cuDnn_10.rar
02-28
cuda_9.0.176_win10、cudnn-9.0-windows10-x64-v7.4.1.5 和 cuda_10.0.130_win10、cudnn-10.0-windows10-x64-v7.4.2.24
pytorch安装GPU版本cuda和cudnn安装配置
最新发布
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。
win7下安装CUDA9.0+Cudnn7.0.4+tensorflow任意版
12-12
win7下安装CUDA9.0+Cudnn7.0.4+tensorflow1.4.0 亲测有效
cuda和cudnn的安装
weixin_42650040的博客
01-25 357
cuda安装： 1.我的电脑，属性，设备管理器，查看显卡的版本，Geforce MX250。 2.打开桌面NVIDIA控制面板，系统信息，查看是否支持cuda。 我的显卡支持的版本是cuda10.1。 3.官网下载匹配的cuda 下载地址 避坑： exe(network)版本小，但是安装是会出现安装不了的问题，可以选择下载exe(local)版本，或者从百度网盘下载后安装。 4.下载cudnn 下载地址 ...
Ubuntu中CUDA和cuDNN的安装
我想更黑一点
11-02 243
CUDA的安装 1.版本的选择 TensorFlow1.0至1.4版本只支持CUDA8.0 TensorFlow1.5至1.12版本支持CUDA9.0 TensorFlow1.13之后的版本，支持10.0 更多版本CUDA： https://developer.nvidia.com/cuda-toolkit-archive TensorFlow1.0到1.2版本使用的是cuDNN5.1版本 Ten...
安装cuda和cudnn
魔方QaQ的博客
07-20 590
一个详细的CUDA和cuDNN安装教程： caffe安装系列——安装cuda和cudnn
cuDNN和CUDA的安装
m0_66420727的博客
11-12 6938
2、进入英伟达官网（驱动程序->开发者->CUDA->Downloads->Download Centers->CUDA Toolkit->Download now->Archive of Previous CUDA Releases->找到对应的CUDA版本11.2.2）安装CUDA，（可以创建一个临时文件夹用于放置解压后的文件，临时文件在CUDA安装完成后会被自动删除）修改路径后。3、下载cuDNN（进入英伟达驱动程序页面->开发者->开发者专区->Platfoma->cuDNN）
安装CUDA和CudaNN
weixin_50742178的博客
10-27 1393
把CUDA选一下，还需要注意一点，如果 你前面没有安装vs，直接安装的这个，需要把CUDA里面的Visual Studio Integration取消勾选，否则会安装不成功。1.找到下载好的cuda的安装包，双击打开，第一个是临时放置文件的路径，安装完成后会自动删除（随便设置到不含中文的路径下）在CUDA的安装路径（在CUDA安装过程中，我们保存过）出现了你安装的CUDA的版本信息，说明安装成功了。4.安装选项栏中，选择自定义，点击下一步。在命令提示符下，输入以下命令。下一步之后，就会进行安装。
机器学习入门（第三篇，cuda与cudnn安装）
qq_59205716的博客
09-17 828
安装cuda。 CUDA（Compute Unified Device Architecture），是显卡厂商NVIDIA推出的运算平台，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。它通过利用图形处理器 (GPU) 的处理能力，可大幅提升计算性能。而所谓的GPU，则是图形处理器（graphics processing unit），又称视觉处理器、显示芯片，是一种专门在个人电脑、工作站、游戏机和一些移动
cuda和cudnn环境变量配置
12-28
下面是配置CUDA和cuDNN环境变量的步骤： 1. 首先，下载并安装CUDA和cuDNN。确保安装的版本与您的操作系统和TensorFlow版本兼容。 2. 配置CUDA环境变量： - 打开系统环境变量设置。 - 在系统变量中，找到"Path...

“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