提示
如果不是做 cuda
编程,以下内容不必多看,直接不用看了!!!
引用一位大佬的话:https://blog.csdn.net/qq_42406643/article/details/109545766
里面所谓的那句话就是:conda install pytorch安装的是torch CPU版本,conda install pytorch torchvision -c pytorch安装的是GPU版本
。
懂了吧?安装 GPU
版本的 PyTorch
或者 Tensorflow
的时候,默认就已经帮我们把 cudatoolkit cudnn
打包好了,如果你和我之前一样没有仔细看控制台安装信息的话,那么就会走许多的弯路!
可以参考我这篇博客:https://blog.csdn.net/qq_40750972/article/details/124217499
一、查看 NVIDIA 驱动版本号
cmd
中:
nvidia-smi
如果提示找不到该命令,是因为没有在PATH
路径中,无法直接找到可执行文件nvidia-smi
所在的位置,所以直接进入所在的文件目录执行该文件即可:
cd "C:\Program Files\NVIDIA Corporation\NVSMI" # 加引号是因为文件夹有空格,防止找不到该路径
./nvidia-smi.exe
如果对应的驱动版本太低(e.g. < 400
),对应的cuda
版本就越低(我这里没有默认安装 CUDATOOLKIT
,但没有影响,后面会介绍怎么安装),此时应该首先升级NVIDIA
驱动,有两种方法升级:
- 在电脑的驱动管理界面找到NVIDIA显卡驱动,直接右键升级驱动(推荐,相比NVIDIA官网下载速度快)
- 到NVIDIA官网下载驱动升级工具:https://www.nvidia.cn/geforce/drivers/
下载完成安装,直接升级即可。
二、CUDATOOLKIT 下载安装
查看本机 NVIDIA
驱动版本,这里不再演示,直接看第一步怎么操作。
如果你的机器已经安装了
CUDATOOLKIT
,那么在使用nvidia-smi
命令时,是可以查看到对应的版本的,这时你可能会有疑问:明明我的机器已经有了CUTATOOLKIT
了,为什么还需要安装呢?这里需要解释下,使用nvidia-smi
显示的CUDA
为driver API
对应的版本,如果是在安装驱动的时候就安装了CUDATOOLKIT
,那么nvidia-smi
对应的driver API CUDA
版本就和nvcc -V
的一致。然而,有的时候可能我们并不需要那么高版本的CUDATOOLKIT
(默认随NVIDIA
驱动一起安装的版本都比较高!),因为pytorch
或者tensorflow
还不支持这么高版本的CUDA
(虽然已经安装的diver CUDA
一般都可以向下兼容),那么此时我们就需要手动下载安装CUDATOOLKIT
。
参考链接1:https://www.jianshu.com/p/eb5335708f2a
参考链接2:https://blog.csdn.net/qq_42406643/article/details/109545766
找到对应的 CUDA
版本:
驱动对应的cuda版本查询:https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
CUDA下载地址: https://developer.nvidia.com/cuda-toolkit-archive
三、cuDNN下载安装(为 DNN 进一步加速计算)
cuDNN
下载必须先在NVIDIA
官网注册一个账号,登录之后才能下载,注册不是很麻烦。
注册成功后就能下载:https://developer.nvidia.com/rdp/cudnn-archive
找到对应的版本下载即可:
cuDNN
下载后,将解压后的对应文件夹中的文件复制到 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\版本号
对应的文件夹下即可。
四、验证安装成功
命令行输入:
nvcc -V
出现对应的CUDA信息说明安装成功。
进入:C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\版本号\extras\demo_suite
,shitf
+鼠标右键 在此处打开 powershell
,输入bandwidthTest.exe
(输入前面的几个:band再Tab即可补全),enter运行,出现一大堆提示信息,显示PASS
及安装成功。
如果以上安装都是选择的默认路径,不需要另外添加环境变量。
END
到此,Windows
深度学习环境基本就搭建好了!