我的AI之路(5)--如何选择和正确安装跟Tensorflow版本对应的CUDA和cuDNN版本

最新推荐文章于 2024-03-07 21:24:19 发布
最新推荐文章于 2024-03-07 21:24:19 发布
阅读量7.3w 收藏 209
点赞数 49
分类专栏： AI Tensorflow CUDA 文章标签： AI Tensorflow CUDA cuDNN
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/XCCCCZ/article/details/80385448
版权
AI 同时被 3 个专栏收录
41 篇文章 11 订阅
订阅专栏
Tensorflow
14 篇文章 1 订阅
订阅专栏
CUDA
13 篇文章 1 订阅
订阅专栏

最新的Tensorflow和CUDA cuDNN的对应关系可以从这里找到：

https://tensorflow.google.cn/install/source

https://tensorflow.google.cn/install/source_windows

 

以下内容提到的版本都有点陈旧了，不过如果tensorflow和cuda cudnn版本对不上时，你可能依旧会遇到类似的下面提到的问题，仅供参考。

    最新的Tensorlfow2.0 gpu版要求使用的CUDA是CUDA 10.0，安装错版本了会用不了，最新的pytorch 1.3.1要求使用CUDA 10.1，如果你两者都需要使用，可以先把CUDA 10.0和CUDA 10.1都安装上，然后linux下把/usr/local/cuda链接到CUDA 10.0所在的目录, windows下吧CUDA v10.1改名成别的名字，然后把CUDA v10.0改名成CUDA v10.1，这样Tensorflow 2.0和PyTorch1.3.1能同时使用，也就是说PyTorch1.3.1要求CUDA是10.1版貌似只是在安装时检查要求版本是10.1，而实际上跑代码时用CUDA 10.0就够了，这个我试用过多次，目前还没有发现报错。

注：本文后面写的内容是基于CUDA9.0的，但步骤是仍基本适用的；另外，昨天Tensorflow 最新的版本1.13 rc2发布了： https://github.com/tensorflow/tensorflow/releases/tag/v1.13.0-rc2 里面有几个重要的让人看到就激动(^_^)的improvements:

  • TensorFlow Lite has moved from contrib to core. This means that Python modules are under tf.lite and source code is now under tensorflow/lite rather than tensorflow/contrib/lite.
  • TensorFlow GPU binaries are now built against CUDA 10 and TensorRT 5.0.
  • Support for Python3.7 on all operating systems.
  • Moved NCCL to core.

首先，Tensorflow终于支持CUDA 10了！第二，我很在乎的TensorFlow Lite终于移到core里来了！另外，Python3.7可以放心使用了，支持多个NVidia GPU卡之间通讯的NCCL也移到core里了(什么是NCCL，参见https://baijiahao.baidu.com/s?id=1581386178946489641&wfr=spider&for=pc这篇文章)。 

所以如果你打算用Tensorflow最新的版本，可以安装CUDA 10，而不是CUDA 9.x，这样可以用到最新的CUDA的特性和避免一些bug。

下面是以前写的原文：

     这个问题曾让我折腾了一天半,真是个大坑啊，反复把Tensorflow和CUDA装了卸，卸了又装，然后测试，遇到一个又一个错误，周六晚上弄到凌晨三点，周日上午继续干，终于在周日中午搞定，现在对这个问题弄得比较透彻了。

   每安装某一个Tensorflow版本时该安装什么对应版本的cuda和cudnn呢？Tensorflow没有提供明确的提示，我买的多本关于tensorflow的书里都只说作者安装的什么版本，根本没说Tensorflow版本和使用的CUDA、cuDNN版本的对应关系，网上也没找到这样的文章，所以像我这样喜欢尝鲜总是安装最新版Tensorflow 1.8 而不是书上说的版本的就得自己琢磨解决GPU版tensorflow安装后使用时出现的错误了。

    在解决tensorflow报错问题的过程中我注意到https://github.com/tensorflow/tensorflow/releases提供了Tensorflow个版本的releases notes，在里面搜索cuda，可以看到在Tensorflow 1.6版里有个大的改动：

 

Release 1.6.0

Breaking Changes

  • Prebuilt binaries are now built against CUDA 9.0 and cuDNN 7.
  • Prebuilt binaries will use AVX instructions. This may break TF on older CPUs

这表明Tensorflow1.6开始使用CUDA9.0+cuDNN7。

    另外还有一个快捷办法，通过查看tensorflow的源码build_info.py知道其使用的CUDA和cuDNN版本(我在import tensorflow出错后，根据出错信息，阅读琢磨出错的.py代码文件，跟调用关系找到的这个定义版本信息的文件，以前的老版本tensorflow似乎没有这个文件，版本信息都是写死在初始化的.py源码里，需要搜索初始化代码找到检查cuda版本地方):

   假设tensorflow安装在D:\Anaconda3\envs\tensorflow环境里，那么打开D:\Anaconda3\envs\tensorflow\Lib\site-packages\tensorflow\python\platform\build_info.py这个文件，可以看到使用的CUDA 9.0和cuDNN 7：

    msvcp_dll_name = 'msvcp140.dll'
    cudart_dll_name = 'cudart64_90.dll'
    cuda_version_number = '9.0'
    nvcuda_dll_name = 'nvcuda.dll'
    cudnn_dll_name = 'cudnn64_7.dll'
    cudnn_version_number = '7'

   这里的msvcp140.dll应该在C:\Windows\System32\下面，是通过安装vc 2005 redistribute提供的，nvcuda.dll也是在C:\Windows\System32\下面，cudart64_90.dll则是安装CUDA 9.0时产生的，cudnn64_7.dll是安装cuDNN 7时产生的,任何一个文件缺失或没加入搜索路径都有可能引起tensorflow在import时报ImportError错。

   CUDA在https://developer.nvidia.com/cuda-downloads这里下载，打开页面后不要在这个页面里下载，因为这个页面下载的是CUDA9.2，版本太高了跟tensorflow1.8不匹配，而是应该后点击Legacy Releases按钮进入archive页面https://developer.nvidia.com/cuda-toolkit-archive，然后点击CUDA Tookit 9.0进入CUDA 9.0的下载页面https://developer.nvidia.com/cuda-90-download-archive，根据自己机器环境选择操作系统和版本及位数点击相应按钮做选择，注意最后一项Install Type最好选择本地可执行文件,比如Windows版的exe(local)或Linux版的runfile(local)，这样在网速差的环境下对成功安装更有保障。对于Windows 64位安装环境，这里需要下载三个安装文件，一个主文件：cuda_9.0.176_win10.exe和两个patch文件：cuda_9.0.176.1_windows.exe,cuda_9.0.176.2_windows.exe。

   cuDNN在https://developer.nvidia.com/cudnn这里下载，这里需要先注册账号然后登录才能进去下载，反正NVIDIA网站做的很不友好，注册后登录还得验证邮件转来转去的晕头转向，网站找个什么东西也是很不直观，不是一般的绕，用过NVIDIA网站的恐怕都想吐槽，登录(注册后好像仍然要使用join进去，而不是login，否则老是循环要你验证邮件有效性，晕死)进去后，下载对应于cuda9.0的cudnn7.1.4文件(从https://developer.nvidia.com/rdp/cudnn-download这里下载cudnn最新版7.1.4，不要进Archived cuDNN Releases)，对于Windows 64位安装环境，下载cudnn7.1.4 for cuda9.0即cudnn-9.0-windows10-x64-v7.1.zip。

     安装CUDA时，最好使用自定义安装，把Visual Studio Integration的勾选去掉，否则你机器上安装的Visual Studio版本不对或者没有安装时，下一步会报错导致你安装不下去(下面两张图是试着安装CUDA 9.1版时的截图，出错提示是一样的，所以不影响作为示例)：

    这时可以退回去把Visual Studio Integration勾选去掉再安装:    

    安装CUDA 9.0的默认路径是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\，安装CUDA9.0完后，把cudnn-9.0-windows10-x64-v7.1.zip解压后，把bin,include,lib里面的文件(共三个)分别拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\下的bin,include,lib目录下即可。

      然后测试tensorflow，可以看到我本子的GeForce 940MX GPU被tensorflow添加创建为TensorFlow device，并 可以成功打印输出常量c的值，表明安装成功了：

     

     我最初不知道Tensorflow1.8和CUDA 9.0对应依赖关系，我的本子的GPU是很古老的Geforce 940MX，对它没信心，怕安装了CUDA9.0根本不能用，又查看了我的本子上的NVIDIA控制面板里的系统信息窗口里的组件信息，本子上当时安装的NVCUDA版本是8.0.0(这个版本信息其实是CUDA driver版本，而不是要安装的CUDA runtime的版本，把两者搞混了，误导了思考方向):

    另外由受书本和网上的有些文章误导跌入坑里，相信应该是安装CUDA8，于是先安装的CUDA8.0.44+cuDNN 7,结果安装GPU版Tensorflow后Import tensorflow时报错找不到文件cudart64_90.dll，把CUDA 8的cudart64_80.dll强制改名为cudart64_90.dll后，Import tensorflow又会报另外的错ImportError: DLL load falied: 找不到指定的模块，不知道是哪个模块找不到，于是我琢磨出错代码，在‪D:\Anaconda3\Lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py里加了句打印把

   mname = '.'.join((pkg, '_pywrap_tensorflow_internal')).lstrip('.')

 这里的mname打印出来，可以看到这个模块是tensorflow.python._pywrap_tensorflow_internal，可是在D:\Anaconda3\Lib\site-packages\tensorflow\python\下面有_pywrap_tensorflow_internal.pyd这个文件啊，怎么回事呢？怎么就不认识这个pyd文件呢？于是把tensorflow-gpu 1.8和CUDA 8+cuDNN7/CUDA 8+cuDNN6装了卸卸了装弄了多遍折腾到凌晨几点还是没搞定，今天早上继续，后来突然想到可能是因为Tensorflow1.8就得安装CUDA9.0，否则初始化代码检查CUDA版本失败导致_pywrap_tensorflow_internal这个模块加载不了，后来下载CUDA 9.0+cuDNN7.1，安装好后，果然tensorflow可以用了！

 

     关于安装错误的CUDA版本导致的几个错误，截图如下：

(1)找不到cudart64_90.dll:

(2) ImportError: DLL loaded failed: 找不到指定模块。找不到_pywrap_tensorflow_internal模块：

 

另外，如果运行tensorflow时报错说：CUDA driver  version is insufficient for CUDA runtime version : 

   这说明你机器上安装的CUDA driver版本比刚安装的CUDA tookit版本低(原因应是安装时没有勾选display driver之类的)，解决办法是安装CUDA tookit时所用组件全部勾选(除了Visual Studio Integration)，如果还不行，假如你的GPU卡是GeForce序列的，到https://www.geforce.com/drivers按你的机器的GPU卡的类型搜索对应的最新的driver，下载并安装即可，其他序列的去NVIDIA中国网页https://www.nvidia.cn/Download/index.aspx?lang=cn上按卡类型搜索最新的driver安装程序。

    通过搜索GUP卡的驱动，知道了很古老的GPU卡NVIDIA仍在提供最新的driver更新，这样就保障了我的GeForce 940MX这样的古懂卡在升级driver到最新后，也可以自由使用最新的CUDA 9.x版本，只要Tensorflow或Caffe支持！这点真是太好了！以前担心我的GPU卡太老导致玩不了比较新的GPU版tensorflow，现在暂时不用担心了！

 

     关于Tensorflow更多知识，可以访问谷歌中国官网（https://tensorflow.google.cn/）了解更多 TensorFlow 内容，也可关注 TensorFlow 官方公众号获取更多资讯。

     

 

     关于如何在Linux下安装CUDA和CUDNN，参见 我的AI之路(10)--如何在Linux下安装CUDA和CUDNN

 

 

我的AI之路(1)--前言

我的AI之路(2)--安装Fedora 28

我的AI之路(3)--安装Anaconda3 和Caffe

我的AI之路(4)--在Anaconda3 下安装Tensorflow 1.8

我的AI之路(5)--如何选择和正确安装跟Tensorflow版本对应的CUDA和cuDNN版本

我的AI之路(6)--在Anaconda3 下安装PyTorch

我的AI之路(7)--安装OpenCV3_Python 3.4.1 + Contrib以及PyCharm

我的AI之路(8)--体验用OpenCV 3的ANN进行手写数字识别及解决遇到的问题

我的AI之路(9)--使用scikit-learn

我的AI之路(10)--如何在Linux下安装CUDA和CUDNN

我的AI之路(11)--如何解决在Linux下编译OpenCV3时出现的多个错误

我的AI之路(12)--如何配置Caffe使用GPU计算并解决编译中出现的若干错误

我的AI之路(13)--解决编译gcc/g++源码过程中出现的错误

我的AI之路(14)--Caffe example：使用MNIST数据集训练和测试LeNet-5模型

我的AI之路(15)--Linux下编译OpenCV3的最新版OpenCV3.4.1及错误解决

我的AI之路(16)--云服务器上安装和调试基于Tensorflow 1.10.1的训练环境

我的AI之路(17)--Tensorflow和Caffe的API及Guide

我的AI之路(18)--Tensorflow的模型安装之object_detection

我的AI之路(19)--如何在Windows下安装pycocotools PythonAPI

我的AI之路(20)--用Tensorflow object_detection跑raccoon数据集

我的AI之路(21)--用Tensorflow object_detection跑PASCAL VOC 2012数据集

我的AI之路(22)--使用Object_Detection_Tensorflow_API

我的AI之路(23)--在Windows下编译Bazel和使用Bazel编译tensorflow

 

Arnold-FY-Chen
关注
  • 49
    点赞
  • 踩
  • 209
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 132
    评论
专栏目录
环境配置—Tensorflow Cuda Cudnn 版本对应关系
01-20
深度学习-环境配置一、Linux1. CPU2. GPU二、macOS1. CPU2. GPU三、Windows1. CPU2. GPU四、下载网址 一、Linux Tested build configurations Linux 1. CPU 2. GPU 二、macOS 1. CPU 2. GPU 三、Windows 1. CPU 2. GPU 四、下载网址 CUDA 下载地址 点击打开链接 cudnn 下载地址 需要注册账号 https://developer.nvidia.com/cudnn tensorflow-cpu 下载地址 阿里镜像，下载速度快 http://mi
最新CUDA 10.0和cuDNN 10.0及tensorflow GPU 2.0安装教程.docx
07-25
内容为2019年7月25日最新软件作者历经数天自己安装成功的安装指南，与大家共享。
C++--赋值运算符重载
qq_46659987的博客
03-11 311
日期类的实现 获取某年某日的天数 int GetMonthDay(int year, int month) { static int days[] = { 0,31,28,31,30,31,30,31,31,30,31,30,31 }; int day = days[month]; if (month == 2 && ((year % 4 == 0) && (year % 100 != 0) || year % 400 == 0)) { day
cudnn下载国内满速下载地址长期有效更新
最新发布
FL1623863129的博客
03-07 1564
cudnn-9.0.0-windows.exe下载地址：cudnn-linux-x86-64-9.0.0.312-cuda12-archive.tar.xz下载地址：cudnn-linux-x86-64-9.0.0.312-cuda11-archive.tar.xz下载地址：cudnn-windows-x86-64-9.0.0.312-cuda12-archive.zip下载地址：cudnn-windows-x86-64-9.0.0.312-cuda11-archive.zip下载地址：
using在sql中是什么意思_动画中的姬、酱、桑是什么意思？为何网络上很多人用这些词自称...
weixin_39878989的博客
12-04 5406
文/小右喜欢看动画的我们，可能会记住很多名字，人名、地名、物件的名字，不管是什么的名字，它主要的作用都是作为代号，用于区分一个人或者一件东西于其他事物。而这些名字风格不同，可能带了各种各样的含义，但有一些名字是可以分类的，在动画中很多角色的名字会加一些类似于姬、酱、桑这样的字在里面。01姬是什么意思？通过查字典，我们可以看到姬在汉语主要有四个意思：古时候对妇女的美称。古代称妾：侍姬、姬妾。姓，如姬...
❤️1024福利❤️ 100张高清壁纸打包分享
云间月
10-24 4974
1024福利：100张高清壁纸打包分享 天空黑暗到一定程度，星星就会熠熠生辉！ 1️⃣ 标签分类 2️⃣ 部分预览 3️⃣ 缩略图 一张张传实在太慢了，还有大小限制，先给个缩略图，下面直接给下载链接。 4️⃣ 图片来源 图片主要收集于各大开源壁纸网站，如【极简壁纸】【必应壁纸】【WallHaven】【pixabay】.部分直接收藏自网络，如有侵权，联系一定删除。 5️⃣ 下载链接 点击下方原文链接，公众号后台回复**【壁纸200】**获取阿里网盘和压缩包下载地址。 原文链接
【Vuforia AR Unity 2018.3.12f1】MikuAR安卓程序开发实践（二）MMD篇_2019.4.23
在微风中飘落的博客
04-24 1846
Unity平台 + Vuforia SDK实现的AR程序开发 MikuAR程序实现功能 基于Android平台，触碰，触摸屏幕 实现 MIKU 模型的 平移 旋转 缩放 基于射线法选中模型，并进行平移 基于射线法选中模型，将模型从自发光状态转为不发光状态
tensorflow-gpu1.14.0/cuda10.0/cudnn7.4.1环境搭建
格桑08的博客
05-15 989
​ 我的个人电脑是win10系统，其GPU是双显卡：1.Inter® UHD Graphics 630；2.NVIDIA GeForce GTX 1660Ti，显存为6GB，因此我去搭建tensorflow-gpu环境。 搭建好的环境： win10系统 pycharm与Anaconda3-2019.10软件 在Anaconda3-2019.10下创建虚拟环境DeepLearnFromTensorflow 在DeepLearnFromTensorflow下安装python=3.7、tensorflow-g
保姆级教程安装tensorflow对应的CUDA和CUDRNN
Dec31_的博客
08-09 1272
接下来要做的就是将这三个文件夹（不包过那个.txt文本文件）拷贝到之前下载的cuda对应的子路径中，具体如下。上面三个文件一一复制，bin就放到cuda的bin文件夹里面 ，include一样放到cuda的include文件夹里面，lib同样处理。知道自己的版本之后，需要找到tensorflow对应的cuda版本，要不无法使用，进入下面网址。找到对应的cuDNN和CUDA版本，如果tensorflow版本太新，则看下篇文章，如果降版本。继续点击，然后找到我们对应的版本，前面的图有，可以往上翻找，
人工智能-项目实践-知识蒸馏-知识蒸馏基础学习版本，使用tensorflow实现.zip
12-26
人工智能-项目实践-知识蒸馏-知识蒸馏基础学习版本，使用tensorflow实现 配置及总结 数据集为cifar10 框架为:tensorflow 2.8.0 Python: 3.9.11 教师网络TeacherNet可以使用像resnet/transformer等大模型，但是一是...
cudnn-windows-x86_64-8.3.3.40_cuda11.5
04-11
深度学习NVIDIA cudnn8.3.3.40适用于64位win10的CUDA11.5版本
人工智能-项目实践-知识蒸馏-基于 Tensorflow，仿 Scikit-Learn 设计的深度学习自然语言处理框架
12-26
人工智能-项目实践-知识蒸馏-基于 Tensorflow，仿 Scikit-Learn 设计的深度学习自然语言处理框架 兼容 Tensorflow1.x/2.x 的高层封装 (Transformer/GPT-2/BERT/ALBERT/UniLM/XLNet/ELECTRA 等)，使用简单的代码完成...
2021最新：TensorFlow各个GPU版本CUDA和cuDNN对应版本整理(最简洁)
热门推荐
K1052176873的博客
03-08 16万+
CUDA与显卡驱动：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html TensorFlow-GPU与CUDA cudnn Python版本关系：https://tensorflow.google.cn/install/source_windows?hl=en#gpu Table 2. CUDA Toolkit and Minimum Compatible Driver Versions CUDA Toolkit
TensorFlow各个版本对应的Python，CUDA，和cuDNN
qq_34500588的博客
01-06 806
参考TensorFlow官方文档TF官方文档中文
TensorFlow、PyTorch各版本对应的CUDA、cuDNN关系
topsogn的博客
04-08 3626
TensorFlow、PyTorch各版本对应的CUDA、cuDNN关系
TensorFlow和CUDA、cudnn、Pytorch以及英伟达显卡对应版本对照表
weixin_43279138的博客
08-27 1万+
TensorFlow和CUDA、cudnn、Pytorch以及英伟达显卡对应版本对照表 CUDA下载地址CUDNN下载地址torch下载英伟达显卡下载 一、TensorFlow对应版本对照表 版本 Python 版本 编译器 cuDNN CUDA tensorflow-2.9.0 3.7-3.10 8.1 11.2 tensorflow-2.8.0 3.7-3.10 8.1.........
环境配置python3.7+tensorflow-gpu1.15+CUDA10+cudnn7.6
朱小丰的博客
05-26 2436
1tensorflow-gpu各对应版本 https://blog.csdn.net/weixin_43760844/article/details/113477352 我们使用的tensorflow是GPU版本的 对应是1.15版本 如图 踩坑后得知配置环境需要 python3.7 CUDA10 cudnn7.6 Tensorflow-gpu-1.15 2安装CUDA10 https://blog.csdn.net/m0_37872216/article/details/10.
Tensorflow工业部署
小风的博客
10-21 365
Tensorflow工业部署 语言：C 系统：Windows 10 IDE：VS2017 步骤 安装N卡对应Tensorflow的Cuda、cuDNN版本 a. Cuda版本查看命令：nvcc --version（我的版本：10.1） b. 打开 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include\cudnn.h（我的版本：8） 如下所示，cuDNN 版本为 7.2.1 : 下载TensorFlow C 库（GPU
Tensorflow与cuda版本关系（附加多个cuda版本安装）
weixin_42206075的博客
02-18 1万+
Tensorflow与cuda版本关系（附加多个cuda版本安装） 多说一句 如果，在网上down的代码用的tf的版本与你本机cuda不一致的话，可以在本机安装多个cuda版本，到时候再根据你自己的项目来选择使用哪个版本的cuda（就我本机win10为栗子） 1.安装cuda，这一步在网上太多教程，随便找个就行（cuda安装教程（windows）） 2.一般来说，如果cuda默认安装，路径应该与我上面贴出来的图中的路径一致：C:\Program Files\NVIDIA GPU Computing To
jetson-tx2手动安装cuda和cudnn.pdf
07-06
### 回答1： 首先，要手动安装Jetson TX2中的CUDA和CuDNN，需要按照以下步骤进行操作： 1. 下载CUDA Toolkit： - 首先，通过NVIDIA官方网站下载适用于Jetson TX2的CUDA Toolkit。 - 在下载页面上选择与您的Jetson TX2版本相对应的CUDA Toolkit版本，并下载该版本的.run文件。 2. 安装CUDA Toolkit： - 将下载的CUDA Toolkit文件拷贝到Jetson TX2设备上。 - 打开终端，进入到CUDA Toolkit文件所在的目录。 - 运行以下命令，以设置安装选项并启动安装过程： ``` chmod +x cuda_<version>_linux.run sudo ./cuda_<version>_linux.run ``` - 按照安装向导的指示进行操作，接受许可协议并选择相应的安装选项。 - 完成安装后，根据提示将必要的环境变量添加到系统配置文件中（如~/.bashrc）。 3. 下载CuDNN库文件： - 访问NVIDIA官方网站并下载与安装的CUDA Toolkit版本相对应的CuDNN库文件。 - 将下载的CuDNN库文件拷贝到Jetson TX2设备上。 4. 安装CuDNN库文件： - 将CuDNN库文件解压到一个指定目录中，例如'/usr/local/cuda/'。 - 打开终端，进入CuDNN库文件所在的目录。 - 运行以下命令以将CuDNN库文件拷贝到CUDA Toolkit的安装目录中： ``` sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn* ``` 5. 配置环境变量： - 打开终端，编辑~/.bashrc文件： ``` nano ~/.bashrc ``` - 在文件末尾添加以下内容，并保存退出： ``` export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64 export CUDA_HOME=/usr/local/cuda ``` - 运行以下命令使环境变量配置生效： ``` source ~/.bashrc ``` 完成以上步骤后，您应该成功地手动安装了Jetson TX2中的CUDA和CuDNN。您可以通过在终端上运行`nvcc -V`来验证CUDA是否正确安装，并通过运行`cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2`来验证CuDNN是否正确安装。 ### 回答2： 首先，Jetson TX2是一款高性能边缘计算设备，用于深度学习、AI和计算机视觉等领域。CUDA和cuDNN是用于加速计算的关键软件，在Jetson TX2上手动安装这两个软件需要以下步骤： 1. 下载CUDA和cuDNN：首先，从NVIDIA官方网站下载适用于Jetson TX2的CUDA和cuDNN版本。确保选择与Jetson TX2硬件兼容的版本。 2. 安装CUDA：将下载的CUDA安装包复制到Jetson TX2上，并解压缩文件。然后，运行安装脚本来设置CUDA环境变量并安装CUDA。 3. 配置环境变量：为了正确地配置CUDA和cuDNN，需要设置环境变量。在终端中输入以下命令以打开.bashrc文件： ``` sudo nano ~/.bashrc ``` 然后，在文件的末尾添加以下行： ``` export CUDA_HOME=/usr/local/cuda export PATH=/usr/local/cuda/bin:${PATH} export LD_LIBRARY_PATH=/usr/local/cuda/lib64:${LD_LIBRARY_PATH} ``` 保存并关闭文件，然后运行以下命令以使更改生效： ``` source ~/.bashrc ``` 4. 安装cuDNN：将下载的cuDNN安装包复制到Jetson TX2上，并解压缩文件。然后，将cuDNN库文件复制到CUDA的安装目录中。使用以下命令完成此操作： ``` sudo cp cuda/include/cudnn.h /usr/local/cuda/include sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64 sudo chmod a+r /usr/local/cuda/include/cudnn.h /usr/local/cuda/lib64/libcudnn* ``` 5. 验证安装：在终端中运行以下命令以验证CUDA和cuDNN是否安装成功： ``` nvcc -V ``` 如果输出中显示了CUDA版本信息，则说明CUDA安装成功。然后，可以使用深度学习框架（如TensorFlow，PyTorch等）来验证cuDNN的安装。 这些是手动安装CUDA和cuDNN的基本步骤。确保按照官方文档和说明进行操作，并根据自己的需求进行相应的配置和优化。

“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 132
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

打赏作者

Arnold-FY-Chen

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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