在anaconda下载的话无需额外在官网下载cuda和cuDNN,annaconda会自动下载。
1.查看自己电脑的支持的CUDA版本。命令行nvidia-smi查看。
2.打开Start Locally | PyTorch,选择需要的版本,CUDA版本需要小于等于电脑支持的版本。
3.复制第二步给的命令。
4.打开anaconda终端,创建一个虚拟环境。conda create -n 环境名字 python=版本
conda create -n test python=3.8
5. 将当前虚拟环境切换到刚才创建的环境下。
conda activate test
6.添加镜像源(加快下载速度)
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --set show_channel_urls yes
7.输入第三步复制的命令。
conda install pytorch torchvision torchaudio pytorch-cuda=11.8 -c pytorch -c nvidia
8.验证是否成功。首先输入python命令切换到python环境,然后执行
>>> import torch
>>> torch.cuda.is_available()
如果输出true,则证明安装成功。
9.验证是否自动安装cuDNN和CUDA
import torch
print(torch.backends.cudnn.enabled)
#返回True表示成功
import torch
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
#返回cuda表示成功
#或者
print(torch.cuda.is_available())
#返回True表示成功
另外,GPU、Cuda Driver和 Cuda Toolkit的图解关系
Nvidia Driver驱动:操作系统和硬件GPU进行沟通交互的程序,没这个驱动,GPU就是一个摆设,调用不起来,所以得先装这个。装了这个电脑就能用GPU了,但是深度学习搞不定。
CUDA Toolkit工具包:是基于驱动程序,用来实现GPU并行计算和加速深度学习的软件包。通过这个软件包,调用驱动,实现更加高级的功能。
cudnn深度学习加速库:是专门针对深度学习的GPU加速库,如果你要使用深度学习框架,这个是必需的。虽然也是CUDA Toolkit的组件,但是官方的下载包里面并没有,需要自己额外下载。
pytorch,tensorflow深度学习框架:CUDA Toolkit并没有提供深度学习的框架,只是提供了如何高效调用GPU的软件库。如果你要创建深度学习模型,进行训练。还是要使用深度学习框架。
Nvidia官方下载的CUDA:官方下载的CUDA Toolkit是包含了驱动的,并且联合到一块是称为CUDA的。
conda下载的CUDA:是不包含驱动的,但是高版本的驱动,是向前兼容的,你可以下载相匹配的cuda toolkit,构成不同版本的cuda。
(相当于需要运行gpu版本的pytorch,需要Nvidia驱动、cuda(coda toolkit),cudnn,但是Nvidia显卡驱动一般电脑已经有了,所以不需要额外下载。然后根据这个方法下载,annaconda会自动下载cuda,cudnn,所以就不需要额外的操作了)