深度学习GPU环境安装（Windows、WSL）

目录

1. 概述

2. windows环境安装

2.1 电脑配置

2.2 安装PyTorch

2.3 安装CUDA和cuDNN

2.4 环境变量配置

2.5 测试

3. WSL Linux环境安装（ubuntu）

3.1 安装 ubuntu

3.2 安装CUDA

3.3 安装PyTorch

---

1. 概述

深度学习的库基本都基于CUDA，需要购买Nvidia芯片的显卡。有了GPU显卡，可以在windows环境、Linux环境等均可以处理。

因为WSL的出现，可以有三种选择：

1）纯windows环境：可以通过conda建立python虚拟环境进行处理。

2）纯linux环境：与windwos环境类似。

3）WSL2：通过在windows上的WSL安装对应的linux系统进行处理，同样可以利用GPU硬件。

下文的windows系统安装时间为：2023年4月6日。

2. windows环境安装

2.1 电脑配置

台式机：操作系统win10（版本号 22H2），内存：32G，显卡：GeForce RTX3060，12G。

通过驱动精灵安装了驱动，然后通过Nvidia的工具查看系统信息如下：

 

显示驱动为CUDA 12.1。
 

2.2 安装PyTorch

本文前提已经通过 conda 安装好了python虚拟环境，我安装的版本为 Python 3.9.16。

首先需要检查Pytorch的支持版本，直接通过官网：

Start Locally | PyTorch （https://pytorch.org/get-started/locally/）

在windows上，设置条件，发现目前最多支持到 CUDA 11.8，综合考虑选择11.7，无法支持12.1。下面处理 cuda时，下载了11.7.1 版本。
 

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu117

以上直接在python虚拟环境中运行安装。

2.3 安装CUDA和cuDNN

CUDA官网下载：CUDA Toolkit 12.1 Downloads | NVIDIA Developer

默认下载为 12.1。

在页面下方找到 Archive of Previous CUDA Releases 

早期版本：CUDA Toolkit Archive | NVIDIA Developer

下载 11.7.1 的版本：

 进入下载页面，选择条件：

 安装CUDA时，选择自定义全部安装即可。

然后下载cuDNN。

cuDNN下载官网：https://developer.nvidia.com/rdp/cudnn-download

选择对应的 11.x 版本进行下载。 

需要注册并登录后才能下载。

下载完成后，将压缩包的所有内容拷贝到CUDA安装目录相应文件夹下即可。

2.4 环境变量配置

安装完毕后，会在系统环境变量中增加 CUDA_PATH和CUDA_PATH_V11_7，增加CUDA_BIN_PATH 和 CUDA_LIB_PATH。如下图：

 打开系统变量 path，确认以下四个路径的设置：

2.5 测试

打开 cmd，通过 nvidia-smi 查看：

打开 CUDA\v11.7\extras\demo_suite目录，运行 deviceQuery.ext 等工具。

 deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 12.1, CUDA Runtime Version = 11.7, NumDevs = 1, Device0 = NVIDIA GeForce RTX 3060

Result = PASS

可以看到，CUDA Runtime Version为 11.7，满足设定的要求。

3. WSL Linux环境安装（ubuntu）

3.1 安装 ubuntu

因为一个chatgpt平替项目需要在ubuntu环境下处理，考虑安装WSL的版本。

在win10 环境WSL2 环境下，安装了ubuntu20.04。

安装完毕后，可以直接通过 nvidia-smi 命令查看（windows系统的驱动直接有用）：

可以看到在ubuntu环境下，能够查询到GPU显卡的相关驱动信息。

(cuda驱动只用在Win11(或Win10）下安装，wsl2(Linux）下面不用装驱动，只要装Linux版cuda就可以。其他基本与windows系统下一致）。

安装完后，默认安装了 Python3，可以查看到版本为 3.8.10，如果符合要求，则不用重新安装：

root@TBG-WORK:/# python3 -V
Python 3.8.10

python可以通过如下安装：

sudo apt install python-is-python3

这样就建立了python到python3的软链接。

需要安装 pip3：

sudo apt install python3-pip

可以通过 pip3 --version来查看版本。

需要更新设置一下pip3的源：

pip3 config list   # 查看当前是否有配置
pip3 config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
pip3 config set install.trusted-host mirrors.aliyun.com

3.2 安装CUDA

选在CUDA 11.7.1 的版本，选择 WSL-Ubuntu 版本：

 安装脚本：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.7.1/local_installers/cuda-repo-wsl-ubuntu-11-7-local_11.7.1-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-7-local_11.7.1-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-11-7-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda

安装完成后。

运行 nvcc --version 查看版本，如果找不到，则需要确认 /usr/local/cuda/bin 下是否有nvcc，如果没有，则需要重新安装CUDA，如果存在，则直接修改 ~/.bashrc 文件，在文件尾添加：

export PATH=$PATH:/usr/local/cuda/bin

然后执行 source .bashrc，立即生效。再次查看 nvcc 版本，如下：

一切OK。

3.3 安装PyTorch

首先需要检查Pytorch的支持版本，直接通过官网：

Start Locally | PyTorch （Start Locally | PyTorch）

pip3 install torch torchvision torchaudio

运行安装即可，记得一定要提前更新 pip3的源，这样国内下载很快。

参考：

如何使用wsl2搭建基于Tensorflow GPU的深度学习环境？ - 知乎

WSL安装CUDA并成功运行_Charles Ray的博客-CSDN博客