Win10配置CUDA10+cuDNN7（pytorch，tensorflow-gpu）记录

电脑：联系M4400，双显卡（集显和独显），开机过程长按F1进入BIOS，在设置显卡那里要选择独显类型（看英文提示选择）

环境：Python 3.6.5，pip方式安装包（使用的是winpython，轻便，Anoconda太大了，安装还特别慢）
CPU:I5 4200U @ 1.6GHz
RAM: 6GB
显卡：GTX GT 730M(Laptop)，很老的显卡，2013年出的，显存2G，CUDA核384个
系统：win10 64位
cudnn下载地址(需要注册）：https://developer.nvidia.com/rdp/cudnn-archive
cuda9.2下载地址：https://developer.nvidia.com/cuda-92-download-archive
cuda10下载地址：https://developer.nvidia.com/cuda-toolkit
Pytorch安装包（可以单独使用IDM下载whl安装包再pip安装）：https://pytorch.org/get-started/locally/

Visual Studio 2015下载地址（在线安装包，需要登陆微软账号）：https://my.visualstudio.com/Downloads?q=visual studio 2015&wt.mc_id=o_msftvscom~older-downloads

注意事项：网速和耐心！！！特别是安装巨无霸VS2015，可以自己找到安装包安装，使用在线安装受网速限制
GPU-Z下载地址：查看GPU、CPU状态的有用软件，https://www.techpowerup.com/download/gpu-z/

占用容量：VS2015使用默认方式安装，全部安装完成（VS2015，cuda，cudnn，pytorch，tensorflow等）之后约占12G

下面是安装过程的记录：

1.首先在官网下载了适应本显卡的最新驱动：417.35-notebook-win10-64bit-international-whql.exe，417.35为驱动版本号。

2.安装完之后，桌面右键->NVIDIA控制面板->系统信息->组件，查看NVCUDA.DLL版本，显示是10；（这里说明可以直接下载cuda10安装的）

3.担心显卡太老的原因，下载了cuda_8.0.61.2_windows.exe及补丁cuda_8.0.61_win10.exe，还有cudnn7.1.4；

4.刚想起要安装VS巨无霸套餐Visual Studio 2015（这个版本比较折中，不会太新也不会太老），选择了在线安装版，开始了2小时的漫长安装；安装完VS 2015后继续安装cuda8和cudnn7，安装完cuda8之后发现驱动版本退回376.51了，应该是cuda8自带有相应的驱动，安装过程没有仔细看提示；最后手动添加了bin、lib和include文件夹的环境变量；

3.1 安装tensorflow-gpu，经测试1.5,1.6版本（更高版本更加不行了，看GitHub发布说明的时候1.7版本是最后一个支持cuda8和cudnn6的，不知道为什么这里1.5和1.6版本都报错了）均不能使用cuda8，提示找不到cudart_90.dll，按照错误来看需要cuda9，因为时间关系还没测试cuda9，下面测试了pytorch gpu版本；

3.2 官网下载pytorch1.0 gpu版本，选择stable,windows,pip,Python3.6,cuda8：https://download.pytorch.org/whl/cu80/torch-1.0.0-cp36-cp36m-win_amd64.whl，安装之后执行

import torch
print(torch.cuda.is_available())

如果返回True则可以使用，经测试可以正常使用，训练时用GPU-Z查看显存负载确实有变化。

3.3 安装tensorflow-gpu 1.4版本，安装之后导入，提示需要cudnn6，之前安装的是cudnn7版本，因此重新下载cudnn6，解压后将cuda文件夹下的桑文件夹复制替换到$CUDA安装目录，覆盖原来cudnn7的一些文件

3.4 使用cudnn6覆盖cudnn7之后，pytorch依然可以用，tensorflow可以正常导入，但是执行一些keras程序的时候会报错，因为接口已经发生了变化，1.4版本还是低了。

4. 下载cuda_9.2.148_win10.exe（备用）,cuda_10.0.130_411.31_win10.exe,以及cudnn-9.2-windows10-x64-v7.4.1.5.zip（备用）,cudnn-10.0-windows10-x64-v7.4.1.5.zip

5. 安装了cuda10以及cudnn-10.0-windows10-x64-v7.4.1.5，安装完成后发现右键选项没有了NVIDIA控制面板，暂时无法查看版本号，成功安装了pytorch 1.0 cuda10 GPU版本，torch.cuda.is_available()返回True，说明可以调用gpu计算。
   安装tensorflow-gpu 1.12版本，导入时报错：

ImportError: Traceback (most recent call last):
  File "c:\applications\wpy-3661\python-3.6.6.amd64\lib\site-packages\tensorflow\python\pywrap_tensorflow.py", line 58, in <module>
    from tensorflow.python.pywrap_tensorflow_internal import *
  File "c:\applications\wpy-3661\python-3.6.6.amd64\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 28, in <module>
    _pywrap_tensorflow_internal = swig_import_helper()
  File "c:\applications\wpy-3661\python-3.6.6.amd64\lib\site-packages\tensorflow\python\pywrap_tensorflow_internal.py", line 24, in swig_import_helper
    _mod = imp.load_module('_pywrap_tensorflow_internal', fp, pathname, description)
  File "c:\applications\wpy-3661\python-3.6.6.amd64\lib\imp.py", line 243, in load_module
    return load_dynamic(name, filename, file)
  File "c:\applications\wpy-3661\python-3.6.6.amd64\lib\imp.py", line 343, in load_dynamic
    return _load(spec)
ImportError: DLL load failed: 找不到指定的模块。


Failed to load the native TensorFlow runtime.

See https://www.tensorflow.org/install/errors

for some common reasons and solutions.  Include the entire stack trace
above this error message when asking for help.

6. 到此看到这个错误已经不想再折腾tensorflow-gpu了，谷歌了一下没有查到有用的信息，让我感觉心累。之前实验室win7配置的cuda9（cudnn忘记版本了）最高只能使用tensorflow-gpu 1.6版本，再高版本就会报错。还是pytorch方便，下载安装简洁明了，尽管cuda和cudnn有那么多版本，但是pytorch最这些的兼容性做的很好，比如前面测试的cuda8要配合cudnn6版本时，tensorflow-gpu 1.4版本才能正常运行，但是我用最新的cudnn7.1.4配合cuda8在pytorch下一样可以正常运行，感觉tensorflow-gpu对cuda和cudnn的版本支持太乱了，已经快放弃tensorflow了，但是又需要用keras，真实折腾人。在自己的旧电脑测试的，110G固态硬盘只剩24G了~~~

最后给出莫烦的一个简单测试例子：

# -*- coding: utf-8 -*-
"""
View more, visit my tutorial page: https://morvanzhou.github.io/tutorials/
My Youtube Channel: https://www.youtube.com/user/MorvanZhou

Dependencies:
torch: 1.0
torchvision
"""
import torch
import torch.nn as nn
import torch.utils.data as Data
import torchvision
import time
# torch.manual_seed(1)

EPOCH = 1
BATCH_SIZE = 50
LR = 0.001
DOWNLOAD_MNIST = True

#if torch.cuda.is_available():
#    USE_CUDA = True
#else:
#    USE_CUDA = False
USE_CUDA = False

train_data = torchvision.datasets.MNIST(root='./mnist/', 
                                        train=True, 
                                        transform=torchvision.transforms.ToTensor(), 
                                        download=DOWNLOAD_MNIST,)
train_loader = Data.DataLoader(dataset=train_data,
                               batch_size=BATCH_SIZE, 
                               shuffle=True)

test_data = torchvision.datasets.MNIST(root='./mnist/', 
                                       train=False)

# !!!!!!!! Change in here !!!!!!!!! #
if USE_CUDA:
    test_x = torch.unsqueeze(test_data.data, dim=1).type(torch.FloatTensor)[:2000].cuda()/255.   # Tensor on GPU
    test_y = test_data.targets[:2000].cuda()
else:
    test_x = torch.unsqueeze(test_data.data, dim=1).type(torch.FloatTensor)[:2000]/255.   # Tensor on GPU
    test_y = test_data.targets[:2000]


class CNN(nn.Module):
    def __init__(self):
        super(CNN, self).__init__()
        self.conv1 = nn.Sequential(nn.Conv2d(in_channels=1, out_channels=16, kernel_size=5, stride=1, padding=2,),
                                   nn.ReLU(), nn.MaxPool2d(kernel_size=2),)
        self.conv2 = nn.Sequential(nn.Conv2d(16, 32, 5, 1, 2), nn.ReLU(), nn.MaxPool2d(2),)
        self.out = nn.Linear(32 * 7 * 7, 10)

    def forward(self, x):
        x = self.conv1(x)
        x = self.conv2(x)
        x = x.view(x.size(0), -1)
        output = self.out(x)
        return output

cnn = CNN()

# !!!!!!!! Change in here !!!!!!!!! #
if USE_CUDA:
    cnn.cuda()      # Moves all model parameters and buffers to the GPU.

optimizer = torch.optim.Adam(cnn.parameters(), lr=LR)
loss_func = nn.CrossEntropyLoss()

start = time.clock()
for epoch in range(EPOCH):
    for step, (x, y) in enumerate(train_loader):

        # !!!!!!!! Change in here !!!!!!!!! #
        if USE_CUDA:
            b_x = x.cuda()    # Tensor on GPU
            b_y = y.cuda()    # Tensor on GPU
        else:
            b_x = x
            b_y = y
        output = cnn(b_x)
        loss = loss_func(output, b_y)
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if step % 50 == 0:
            test_output = cnn(test_x)

            # !!!!!!!! Change in here !!!!!!!!! #
            if USE_CUDA:
                pred_y = torch.max(test_output, 1)[1].cuda().data  # move the computation in GPU
            else:
                pred_y = torch.max(test_output, 1)[1].data
            accuracy = torch.sum(pred_y == test_y).type(torch.FloatTensor) / test_y.size(0)
            print('Epoch: ', epoch, '| train loss: %.4f' % loss.data.cpu().numpy(), '| test accuracy: %.2f' % accuracy)


test_output = cnn(test_x[:10])

# !!!!!!!! Change in here !!!!!!!!! #
pred_y = torch.max(test_output, 1)[1].cuda().data # move the computation in GPU
print("Time used: {} seconds".format(time.clock()-start))
print(pred_y, 'prediction number')
print(test_y[:10], 'real number')

使用CPU计算用时：345.0442833491752 seconds
使用GPU计算用时： 82.08966625165658 seconds