目前的深度学习框架大都基于 NVIDIA 的 GPU 显卡进行加速运算,因此需要安装NVIDIA 提供的 GPU 加速库 CUDA 程序。
注: TensorFlow和pytorch 使用前,都需要安装CUDA和cuDNN
CUDA 官网下载地址 https://developer.nvidia.com/cuda-toolkit-archive
(这个地址经常找起来费时间)
-------------------------------以下是旧版本,参照上面的连接-------------------------------
硬件要求
- 查看设备的显卡型号
- 通过网站查询显卡信息
支持 CUDA® 的 GPU 卡列表
软件要求
必须在系统中安装以下 NVIDIA® 软件:
- NVIDIA® GPU 驱动程序 - CUDA® 11.2 要求 450.80.02 或更高版本
- 安装CUDA工具包,如图进入下载
- cuDNN 神经网络加速库安装
CUDA 并不是针对于神经网络专门的 GPU 加速库,它面向各种需要并行计算的应用设计。如果希望针对于神经网络应用加速,需要额外安装cuDNN 库。需要注意的是, cuDNN 库并不是运行程序,只需要下载解压 cuDNN 文件,并配置 Path 环境变量即可。
打开网址 https://developer.nvidia.com/cudnn,选择“Download cuDNN”,由于 NVIDIA 公司的规定,下载 cuDNN 需要先登录,因此用户需要登录或创建新用户后才能继续下 载。登录后,进入 cuDNN 下载界面,勾选“I Agree To the Terms of the cuDNN Software License Agreement”,即可弹出 cuDNN 版本下载选项。选择 CUDA 匹配的 cuDNN 版 本,并点击“cuDNN Library for Windows 10”链接即可下载 cuDNN 文件,如图 1.30 所 示。需要注意的是, cuDNN 本身具有一个版本号,同时它还需要和 CUDA 的版本号匹配 上,不能下错不匹配 CUDA 版本号的 cuDNN 文件。
下载完成 cuDNN 文件后,解压并进入文件夹,我们将名为“cuda”的文件夹重命名为 “cudnn821”,并复制此文件夹。进入 CUDA 的安装路径 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6,粘贴“cudnn765”文件夹即可,此处可能会弹出需要管理 员权限的对话框,选择继续即可粘贴
配置环境变量:
测试GPU是否可用
交互式终端,输入“import tensorflow as tf”命令,如果没有错误产生,继续输 入“tf.test.is_gpu_available()”测试 GPU 是否可用,此命令会打印出一系列以“I”开头的 信息(Information),其中包含了可用的 GPU 显卡设备信息,最后会返回“True”或者 “False”,代表了 GPU 设备是否可用。