文章目录
一、安装NVIDIA Driver、CUDA和cuDNN
二、安装Anaconda (python)
三、安装基于TensorFlow的Keras
四、安装PyTorch
五、多版本CUDA共存(不同版本Keras/TensorFlow之间的切换)
1. 多版本CUDA及cuDNN安装
首先,按照WIN7下配置GPU加速的深度学习环境(一)中的步骤正常安装主版本的CUDA和cuDNN,记得添加环境变量。然后,安装所需的其他版本CUDA,注意这时选择自定义安装,并且只安装CUDA,再下载对应的cuDNN版本解压复制粘贴到新版本CUDA的目录下。此时,记得在环境变量中添加新版本CUDA的两个路径:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin
、C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\libnvvp
,并且一定要放在主版本CUDA的所有路径之后!!
比如,我先安装了CUDA10.2,又自定义安装了CUDA9.0,那么环境变量里的顺序一定要是..\v10.2\bin
、..\v10.2\libnvvp
、..\v9.0\bin
、..\v9.0\libnvvp
,这样多版本的CUDA的安装完成辣~
同样地,进入..\v9.0\extras\demo_suite
路径下分别执行bandwidthTest.exe
和deviceQuery.exe
即可测试新版本CUDA是否安装成功。
2. 不同版本Keras/TensorFlow之间的切换
前面已经提到过,CUDA、Python和Keras/TensorFlow的版本之间有着非常严格的对应关系,并且各个版本之间的差异比较明显,有时候可能需要使用不同版本的Keras/TensorFlow,切换起来非常麻烦。
而现在已经安装好了不同版本的CUDA和cuDNN,就只需在Anaconda下不同版本的python/spyder环境中安装对应的Keras/TensorFlow,就可以直接使用了。只要环境变量Path中有相应的CUDA路径即可,不需要手动再调整CUDA路径的顺序了。无需手动切换!无需手动切换!无需手动切换!重要的事情说三遍。 tensorflow在运行的时候会自动在环境变量中寻找合适的CUDA版本,直到找到为止,如果没有,则会报错。
例如,我先安装了CUDA10.2+cuDNN7.6.5,相应地,在Anaconda中建了一个Python3.7.3的环境,并在其中安装了tensorflow-gpu2.2.0+keras2.3.1,然后我又想用1.x版本的tensorflow,于是我新安了CUDA9.0+cuDNN7.0.5,并将对应的两个路径(..\v9.0\bin
、..\v9.0\libnvvp
)添加到了环境变量中CUDA10.2之后的位置,接着在Anaconda中又新建了一个Python3.6的环境,在其中安装了tensorflow-gpu1.10.0+keras2.2.0。
现在当我想使用tensorflow-gpu2.2.0时,只需进入python3.7.3的环境即可,同样想使用tensorflow-gpu1.10.0时,切换到python3.6中就好辣~
如何在Anaconda下配置多版本python环境请参考WIN7下配置GPU加速的深度学习环境(二)。