一篇文章清晰了解NVIDAI显卡驱动（包括：CUDA、CUDA Driver、CUDA Toolkit、CUDNN、NCVV）

最新推荐文章于 2024-10-04 08:02:44 发布

一颗小树x

最新推荐文章于 2024-10-04 08:02:44 发布

阅读量1.9w

点赞数 30

分类专栏：高效开发工具机器学习文章标签： NVIDAI显卡驱动 CUDA CUDA Driver CUDA Toolkit CUDNN

本文链接：https://blog.csdn.net/qq_41204464/article/details/105905747

版权

高效开发工具同时被 2 个专栏收录

18 篇文章 13 订阅

订阅专栏

机器学习

10 篇文章 3 订阅

订阅专栏

背景

开发过程中需要用到GPU时，通常在安装配置GPU的环境过程中遇到问题；比如：安装TensorFlow2.1过程中，想要使用到电脑的显卡来进行开发，但是发现默认需要CUDATOOLKIT=10.1，CUDNN=7.6，安装好后发现无法正常使用GPU来运行程序；大家还需要考虑CUDATOOLKIT和我们电脑显卡驱动的版本是否支持。

备注：本文中介绍的内容是基于NVIDAI的显卡。

先认识一下几个概念

GPU（显卡）

显卡是我们平时说的GPU，现在大多数的电脑使用NVIDIA公司生产的显卡；常见的型号有GTX950M，GTX1050TI，GTX1080等

CUDA Driver

这个是我们常说的显卡驱动，比如电脑显卡型号是GTX950M，显卡驱动的版本：376.51；

CUDA

是显卡厂商NVIDIA推出的运算平台。CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。CUDA英文全称是Compute Unified Device Architecture。

有人说CUDA是一门编程语言，像C,C++,python 一样，也有人说CUDA是API。

官方说：CUDA是一个并行计算平台和编程模型，能够使得使用GPU进行通用计算变得简单和优雅。

运行CUDA应用程序要求系统至少具有一个具有CUDA功能的GPU和与CUDA Toolkit兼容的驱动程序。

CUDA Toolkit

CUDA工具包的主要包含了CUDA-C和CUDA-C++编译器、一些科学库和实用程序库、CUDA和library API的代码示例、和一些CUDA开发工具。（通常在安装CUDA Toolkit的时候会默认安装CUDA Driver；但是我们经常只安装CUDA Driver，没有安装CUDA Toolkit，因为有时不一定用到CUDA Toolkit；比如我们的笔记本电脑，安装个CUDA Driver就可正常看视频、办公和玩游戏了）

详细内容可以到NVIDIA官方看看：https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html#major-components

NVCC

其实就是CUDA的编译器,可以从CUDA Toolkit的/bin目录中获取,类似于gcc就是c语言的编译器。

CUDNN

是用于深度神经网络的GPU加速库；它强调性能、易用性和低内存开销。可以集成到高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。

CUDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算；

CUDA这个平台一开始并没有安装CUDNN库，当开发者们需要用到深度学习GPU加速时才安装CUDNN库，工作速度相较CPU快很多；

如何查看系统中的显卡驱动版本？？

CUDA Driver和CUDA Toolkit的对应版本

CUDNN和CUDA Toolkit的对应版本

如何查看系统中的显卡驱动版本？？

在Linux系统中常用 nvidia-smi 命令查看；

在Windows系统中通常选择 “NVIDIA控制面板”或“NVIDIA GeForce Experience”查看；

下图是选择NVIDIA GeForce Experience的界面，来查看显卡驱动版本

这是我的笔记本电脑，刚入大学时买的，配置相对于现在比较差了；显卡型号是GTX950M；是否好奇为什么这么老的显卡能装这么新的显卡驱动，还能很好的工作运行。

CUDA Driver和CUDA Toolkit的对应版本

每个版本的CUDA Toolkit 都对应一个最低版本的CUDA Driver，也就是说如果我们安装的CUDA Driver版本比官方推荐的还低，那么很可能会无法正常运行。

我们安装的CUDA Driver即显卡驱动版本，可以高于CUDA Toolkit 指定的版本，是能正常使用的。

比如：在安装TensorFlow2.1过程中，需要安装CUDATOOLKIT=10.1，

那么我们在windows中的显卡驱动版本应该大于等于418.96；在Linux中的显卡驱动版本应该大于等于418.39。

所以电脑中的GTX950显卡，安装了445.87版本的显卡驱动（445.87>=418.39），是能安装CUDATOOLKIT=10.1的。😁

CUDNN和CUDA Toolkit的对应版本

CUDNN和CUDA Toolkit两种之间的版本需要相互支持，下面图中是部分的对应关系：

从下图中我们可以知道，如果目前电脑中安装了CUDATOOLKIT=10.1，那么CUDNN的可选版本为7.6.4、7.6.3、7.6.2

比如：需要安装TensorFlow2.1（使用GPU），要求我们只能安装CUDATOOLKIT=10.1，那么我们就从7.6.4、7.6.3、7.6.2这三个版本中，选择一个最新的7.6.4版本来安装CUDNN。

下图是在Windows中搭建TensorFlow2.1（使用GPU），CUDATOOLKIT=10.1，CUDNN=7.6.4；成功跑起的截图。

有了GPU的加速支持，方便后面的搭建神经网络模型和深度学习模型训练😄

从下图中我们可以知道，如果目前电脑中安装了CUDATOOLKIT=8.0，那么CUDNN的可选版本为7.1.4、7.1.3、7.0.5、6.0、5.1

比如，TensorFlow1.4（GPU版）中需要CUDNN=6.0；同时又符合CUDATOOLKIT=8.0的要求；于是就安装CUDNN=6.0啦。

建议大家到官网查下：https://developer.nvidia.com/rdp/cudnn-archive

Windows中如何安装显卡驱动

前言

大学时候习惯使用驱动精灵、或360驱动大师等工具直接安装显卡驱动的，感觉操作方便又不会出什么差错（安装显卡导致蓝屏、死机等悲剧）；后来在接触深度学习过程中，发现没有GPU加速训练神经网络会很慢的😂；但是使用驱动精灵等工具安装的显卡驱动，往往是比较旧的稳定版本，安装不了最新稳定版本的显卡驱动；

为什么需要安装较新的显卡驱动版本？

如果是做开发的朋友，想在使用GeForce GTX 8xx、GeForce GTX 9xx等较久的显卡，同时想应用在较新的安装包或开源库（如：需要安装TensorFlow2.1，而不是安装旧版本的TensorFlow1.4），这时需要安装较新的显卡驱动版本。

GeForce GTX 8xx 即 GeForce GTX 860M, GeForce GTX 850M, GeForce 845M, GeForce 840M, GeForce 830M等

GeForce GTX 9xx 即

GeForce GTX 980, GeForce GTX 980M, GeForce GTX 970M, GeForce GTX 965M, GeForce GTX 960M,GeForce GTX 950M, GeForce 945M, GeForce 940MX, GeForce 930MX, GeForce 920MX, GeForce 940M, GeForce 930M