深度学习第一步 利用CUDA进行GPU加速Win11+cuda11.2+cuDNN8.1+tensorflow_gpu-2.10+pytorch安装配置教程(避坑指南)

深度学习第一步 利用CUDA进行GPU加速配置

Python 机器学习入门之gpu加速 cuda的配置使用 Win10/Win11+vs2019+cuda11.2+cuDNN8.1+tensorflow_gpu-2.10.0+pytorch安装配置教程

---

---

前言

cuda的GPU加速对于小白来说还是十分有难度的，尤其是一开始版本的选择，笔者电脑的cuda版本是cuda12.2，所以一开始装的是cuda12.2版本的，装了才知道得低一个版本才能装上，再后来了解到cuda11.2是飞桨支持的，同时也支持tensorflow等很多深度学习开源库，因此笔者最终决定下载cuda11.2版本的以及其他适配版本的cuDNN8.1和tensorflow_gpu-2.10.0，下面笔者就按照安装顺序进行讲解：

---

一、下载VS2019

第一个坑！电脑上没有VS的C++库后面安装cuda会报错，同时cuda11.2是仅适配vs2017或vs2019的。因此，这里笔者先安装vscode2019。
安装包下载地址：Vscode2019

下载社区版，详细安装配置C++库教程参考：https://blog.csdn.net/qq_50918834/article/details/120564965

二、查看驱动版本

在cmd里输入nvidia-smi 或者在桌面右键nvidia控制面板→左下角“系统信息”→左上角“组件”查看。

可以看到笔者的电脑驱动版本是537.70，CUDA版本是12.2，只要安装的cuda比自己电脑第一个版本就可以，也就是cuda12.1以下都能下载。
因为要适配飞桨（飞桨是完全适配CUDA11.2和cuDNN8.1的），所以笔者安装的是cuda11.2。

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')
import  ssl
ssl._create_default_https_context = ssl._create_unverified_context

三、CUDA11.2下载安装

在官网下载：https://developer.nvidia.com/cuda-toolkit-archive

可以发现低版本的CUDA都没有win11的选择，没有关系下载win10的即可，然后就是管理员身份运行等一系列操作了。

若出现下面这个问题，请将控制面板中的NVIDIA Framework SDK…删掉

剩下的按照提示选择“自定义安装”，“下一步”，在选择安装位置这里要记清楚路径，后面会把下载的cuDNN文件复制到相应路径下。

其中选项中CUDA里有一个“Visual Studio Interpreter”我勾选了

点击关闭后，直接弹出对应的文件夹。
若安装成功，则在cmd里输入nvcc --v，会看到版本号，就是安装成功了。

CUDA的第一步完成，还有进行系统环境配置和SDK的工作。（原文链接：https://blog.csdn.net/Vertira/article/details/125060383，为了流程完整我按照这个教程成功了，没有再重新弄只是按流程把博主的截图粘贴过来了）

（1）环境变量

环境变量里面系统自动添加CUDA_PATH和CUDA_PATH_V11_2路径。只需要在再把对应路径下的lib和bin文件路径加上就行了。

CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin

（2）SDK配置

此时需要找到相用的文件，用vs2019打开进行配置。


出现下面的输出代表成功。

按照教程，此时还需要配置环境变量：
（1）确认系统变量中：CUDA_PATH和CUDA_PATH_V10.0已经存在
（2）我们还需要在环境变量中添加如下几个变量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

可在cmd中查看配置情况（命令：set cuda）

四、cuDNN8.1下载

cuDNN下载链接：https://developer.nvidia.com/rdp/cudnn-archive
需要注册英伟达账户 才能下载，一个邮箱注册失败了就换一个。

第一个和第三个都行，这里我跟着教程（https://www.bilibili.com/read/cv27240928/?jump_opus=1）选择了第一个。
下载成功后，打开压缩包，把里面cudnn中的的include，lib，bin文件夹里面的所有文件分别的 对应的 复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2文件 对应的include，lib，bin文件里面
比如bin文件夹中：

复制下面第一个图的全部文件到第二个图中粘贴

在这个路径下打开终端：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite
验证deviceQuery和bandwidthTest

一开始我按照博主的教程直接输入deviceQuery或bandwidthTest会报错，这是因为路径的问题，后面改成下面的形式就没错了：
（可以输入deviceQuery到一半的时候，按“Tab”键，自动填充就不会出错）

成功，

成功！到此CUDA和cuDNN安装结束。
另外提一下，在Anaconda中可以通过下面指令查找安装更多版本的Cuda和cuDNN

anaconda search -t conda cuda
anaconda search -t conda cudnn

五、cuda 如何卸载重装

参考：https://cloud.tencent.com/developer/article/2156737?areaSource=102001.15&traceId=nVOHR182mwV01L5GbnX9y

六、安装Anaconda

Anaconda可以同时管理多个版本的python，能创建虚拟环境，各个python版本的虚拟环境不受影响。由于笔者电脑原来就装了Anaconda所以这里就不做展开了。
Anaconda安装教程（超详细版）https://blog.csdn.net/m0_61607990/article/details/129531686

七、tensorflow_gpu-2.10.0安装及验证

对照表格我选择安装2.10.0的cpu和gpu（对应关系查询表：https://tensorflow.google.cn/install/source_windows）

下面这些版本已经测试过，可以匹配使用。CUDA版本只受显卡驱动版本的影响，版本越新支持的CUDA越多，且向下兼容。同时，需要注意TF2.11以上已经不再支持windows系统了。

可以直接pip下载，将TF下载到默认python路径下：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple tensorflow-gpu==2.10.0

但笔者这里通过Anaconda创建虚拟环境进行下载，方便以后其他python代码的管理：
打开Anaconda Powershell Prompt

（1）创建一个名字为tensorflow的虚拟环境，这个环境用的python版本是3.9版本的：
conda create -n tensorflow python=3.9

（2）查看虚拟环境列表：

conda env list

有tensorflow说明创建成功

（3）进入环境，输入命令：activate tensorflow，就可以进入tensorflow环境中：

conda activate tensorflow

（4）如果要退出环境，输入:

conda deactivate

（5）因为我的conda环境在D盘中，所以将路径改了以下。如果anaconda安装的时候是默认路径，这一步不需要。

（6）安装指定版本的tensorflow-gpu，，我安装的是2.10.0，根据你自己的配套版本安装，输入命令：

（有梯子就直接用这个）pip install tensorflow-gpu==2.10.0
（没有梯子就换源用这个）pip install tensorflow-gpu==2.10.0 -i  https://pypi.mirrors.ustc.edu.cn/simple 

（7）打开python环境，导入tensorflow包进行测试 ，查看tensorflow的版本信息, 输入命令：

import tensorflow as tf
print(tf.__version__) #tensorflow版本
print('GPU', tf.test.is_gpu_available()) #gpu

（8）退出tensorflow环境：

conda deactivate

（9）测试 Tensorflow-gpu 是否安装成功
打开Anaconda，选择tensorflow环境，打开spyder，第一次打开需要安装Spyder，直接点下方的install即可。

输入以下测试代码：

import tensorflow as tf

print(tf.__version__)
print(tf.test.gpu_device_name())
print(tf.config.experimental.set_visible_devices)
print('GPU:', tf.config.list_physical_devices('GPU'))
print('CPU:', tf.config.list_physical_devices(device_type='CPU'))
print(tf.config.list_physical_devices('GPU'))
print(tf.test.is_gpu_available())
# 输出可用的GPU数量
print("Num GPUs Available: ", len(tf.config.experimental.list_physical_devices('GPU')))
# 查询GPU设备

打开Spyder：

默认配置运行

查看结果：

出现红框中tf版本号和True表示成功。
（10）卸载重装
tensorflow-gpu卸载：https://blog.csdn.net/weixin_43412762/article/details/129868620

测试GPU运算速度

同样的在Spyder下输入测试代码：

import tensorflow as tf
import timeit
#指定在cpu上运行
def cpu_run():
    with tf.device('/cpu:0'):
        cpu_a = tf.random.normal([10000, 1000])
        cpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(cpu_a, cpu_b)
    return c
 
#指定在gpu上运行 
def gpu_run():
    with tf.device('/gpu:0'):
        gpu_a = tf.random.normal([10000, 1000])
        gpu_b = tf.random.normal([1000, 2000])
        c = tf.matmul(gpu_a, gpu_b)
    return c

cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print("cpu:", cpu_time, "  gpu:", gpu_time)

Pycharm中配置解析器

参考：https://blog.csdn.net/qq_43876539/article/details/134159174
新建个文件夹叫tf2.10.0
用Pycharm打开文件夹
进入设置

新增编辑器

加载conda环境

测试代码：

import tensorflow as tf
print("TensorFlow version is :",tf.__version__)
print("Keras version is :",tf.keras.__version__)
print("GPU is","available" if tf.config.list_physical_devices('GPU')else "NOT AVAILABLE")
tf.config.list_physical_devices('GPU')

十、Pytorch2.1.0环境配置

首先创建python3.8的虚拟环境并激活，这里虚拟环境命名为pytorch_38，可按自己需求更改。

conda create -n pytorch_38 python==3.8
conda activate pytorch_38

接着通过以下网址，决定安装哪个版本的pytorch

Previous PyTorch Versions | PyTorch
icon-default.png?t=N7T8https://pytorch.org/get-started/previous-versions/

但这里遇到了特殊情况，已安装 CUDA11.2，但搜索官网给的版本里没有11.2，解决方案如下：

通过如下命令行，在虚拟环境中用pip安装pytorch1.9.1这个版本

pip install torch==1.9.1+cu111 torchvision==0.10.1+cu111 torchaudio==0.9.1 -f https://download.pytorch.org/whl/torch_stable.html --trusted-host pypi.org --trusted-host download.pytorch.org --trusted-host files.pythonhosted.org

此时笔者又遇到一个问题，笔记本电脑上本来虚拟环境里安装的Pytorch是2.1.0，为避免产生版本错误的问题，笔者在已经安装pytorch和cuda的环境下，检查当前版本下pytorch和cuda版本是否兼容。

在pytorch_38的虚拟环境里，输入python，进入编译环境中，输入如下指令：
（1）先检查 Pytorch 实际使用的运行时的 cuda 目录

import torch
import torch.utils
import torch.utils.cpp_extension
torch.utils.cpp_extension.CUDA_HOME  #输出 Pytorch 运行时使用的 cuda 

cuda11.2
（2）再检查pytorch版本

print(torch.__version__)

pytorch2.1.0

（3）最后检查Pytorch和cuda版本是否匹配

print(torch.cuda.is_available())

结果为True，那就没问题。如果后期出现其他问题再更新博客内容。若为False，则可以把原来的pytorch版本删除，再装个跟cuda11.2匹配的pytorch1.9.1版本。

最后检验pytorch是否安装成功

让安装了pytorch的虚拟环境执行包含以下代码的py文件即可

import torch
print(torch.cuda.is_available()) # cuda是否可用
print(torch.cuda.current_device()) # 返回当前设备索引
print(torch.cuda.device_count())  # 返回GPU的数量
print(torch.cuda.get_device_name(0))

正常情况下 前三个print应输出：

True
0
1

至此，CUDA在笔者主机上的配置圆满成功，仅做一个自己的配置记录和给大家一个参考。

---

补充了解：深入了解cuda、cudatoolkit以及多版本cuda共存时pytorch调用哪个

进一步，你有必要深入了解一下cuda、cudatoolkit以及多版本cuda共存时pytorch调用哪个 cuda和cudatoolkit-CSDN博客

https://blog.csdn.net/xiqi4145/article/details/110254093

十、参考来源

[1] https://www.bilibili.com/read/cv27240928/?jump_opus=1
[2] https://blog.csdn.net/Vertira/article/details/125060383
[3] https://cloud.tencent.com/developer/article/2156737?areaSource=102001.15&traceId=nVOHR182mwV01L5GbnX9y
[4] https://blog.csdn.net/weixin_46713695/article/details/135038527
[5] Tensorflow-gpu保姆级安装教程（Win11, Anaconda3，Python3.9）：https://blog.csdn.net/weixin_43412762/article/details/129824339
[6] https://blog.csdn.net/qq_43876539/article/details/134159174

补充了解：安装需要的CUDA，多版本共存，并自由切换！ https://www.bilibili.com/read/cv34265365/

---