【一文搞懂—防止踩坑】深度学习环境配置:CUDA、cuDNN、算力 和 PyTorch 版本选择、详细教程案例(仔细阅读，建议收藏)

前言：

😊😊😊欢迎来到本博客😊😊😊

🌟🌟🌟 本专栏主要是记录工作中、学习中关于AI(Deep Learning)相关知识并分享。

😊😊😊 具体食用方式：可以点击本专栏【笔记目录】快速查阅您和我遇到的一样的问题、想查阅的知识以及其他相关问题。

🎁🎁🎁支持：如果觉得博主的文章还不错或者您用得到的话，可以悄悄关注一下博主哈，如果三连收藏支持就更好啦！这就是给予我最大的支持！😙😙😙

---

疑问：我要干什么？我该怎么装？装的对不对？

  工欲善其事，必先利其器！ 很多同学在配置深度学习环境的时候，踩过很多坑！尤其是在CUDA、cuDNN 和 PyTorch版本选择的时候一直装不对。下面就以笔记本RTX3050、CUDA11.7、PyTorch1.3.0为例，详细介绍安装过程。

  (1) 了解各组件

组件名	定义	作用
显卡驱动 (GPU Driver)	用于连接计算机的操作系统和显卡之间的通信。它负责管理和控制显卡的功能，使其能够正常地与操作系统和其他应用程序进行交互。	显卡驱动在计算机中起着桥梁的作用，将操作系统和显卡连接起来，确保它们能够有效地协同工作，提供高性能的图形处理能力。
CUDA (Compute Unified Device Architecture)	由NVIDIA开发的一种并行计算平台和编程模型。它允许开发人员使用GPU（图形处理器）进行通用计算，而不仅仅局限于图形渲染。简单说，CUDA提供了一套编程接口和工具，使开发人员能够利用GPU的强大并行计算能力来加速各种应用程序，包括科学计算、数据分析、机器学习等。	CUDA提供了一种利用GPU进行并行计算的平台和编程模型，使开发人员能够更好地利用GPU的性能来加速各种计算任务。它的出现极大地提高了计算能力和效率，推动了科学计算和数据分析等领域的发展。
CUDA Toolkit	CUDA Toolkit是由NVIDIA提供的一套开发工具和库，用于支持CUDA平台上的并行计算应用程序的开发和优化。	CUDA Toolkit是一套专门用于开发和优化CUDA并行计算应用程序的工具和库。它提供了编译器、调试器、运行时库、并行计算库以及各种开发工具，方便开发人员利用GPU的并行计算能力来加速各种计算密集型任务。CUDA Toolkit极大地简化了CUDA程序开发过程，并提供了优化工具和库，使开发人员能够更好地利用GPU的性能。
cuDNN (CUDA Deep Neural Network Library)	由NVIDIA提供的一个深度神经网络库，用于加速深度学习应用程序的开发和训练。简单来说，cuDNN提供了一套高性能的深度学习算法和函数集合，以及针对GPU硬件的优化实现。	uDNN是一个高性能的深度神经网络库，用于加速深度学习应用程序在GPU上的训练和推断过程。它提供了优化的算法实现、硬件加速和算法调优等功能，方便开发人员利用GPU的计算能力来获得更高的性能和效率。cuDNN大大简化了深度学习应用程序的开发过程，使开发人员能够更专注于模型设计和算法调优。
PyTorch	PyTorch 是一个深度学习框架，它提供了用于构建和训练神经网络的高级API。PyTorch支持GPU加速，可以利用CUDA来加速深度学习任务。	PyTorch允许开发者构建灵活的神经网络模型，并使用CUDA加速训练和推理过程。PyTorch的深度学习库可与cuDNN和CUDA Toolkit集成，以获得GPU性能提升。还有其他框架，比如：TF(TensorFlow、Caffe等等)

  (2) 组件之间的关系
  通过一张图可以清除了解以上一些组件之间的关系：

简单介绍如下：

  【Nvidia Driver显卡驱动】：操作系统和硬件GPU进行沟通交互的程序，没有显卡驱动，GPU就是一个摆设，调用不起来。先装好驱动，电脑就能使用GPU，但是深度学习搞不定。

  【CUDA Toolkit工具包】：是基于驱动程序，用来实现GPU并行计算和加速深度学习的软件包。通过这个软件包，调用驱动，实现更加高级的功能。

  【cuDNN深度学习加速库】：是专门针对深度学习的GPU加速库，如果你要使用深度学习框架，这个是必需的。虽然也是CUDA Toolkit的组件，但是官方的下载包里面并没有，需要自己额外下载。

  【pytorch，tensorflow深度学习框架】：CUDA Toolkit并没有提供深度学习的框架，只是提供了如何高效调用GPU的软件库。如果你要创建深度学习模型，进行训练。还是要使用深度学习框架。

  【Nvidia官方下载的CUDA】：官方下载的CUDA Toolkit是包含了驱动的，并且联合到一块是称为CUDA的。
conda下载的CUDA：是不包含驱动的，但是高版本的驱动，是向前兼容的，可以下载相匹配的cuda toolkit，构成不同版本的cuda

  (3) 选择各个组件的版本
  选择安装主要流程如下：

以下内容还请仔细阅读！

---

一、显卡驱动

  显卡驱动一般电脑自带(预先安装好)，如果没有，可以到官方：链接。选择与自己本机显卡配置、操作系统等匹配的驱动下载：

一、CUDN选择与安装

  一般来讲是需要先确定CUDA版本，然后再按照后续流程确定其他配置版本。
  那么如何选择一个CUDA版本呢，首先有一个原则，就是选择的CUDA版本不可以高于本机支持的最高CUDA版本。而本机支持的最高CUDA版本由显卡驱动决定，查看方式为：

win + R：进入命令行模式
nvidia -smi：查看详细内容

  重点来了！！！
  下表总结了目前最新版本的CUDA、PyTorch、torchvision、显卡算力以及python版本对应：

  显卡算力详见官网：链接

---

  接下来就是CUDA(CUDA Toolkit下载安装)：官方链接。

  (1) 进入官网选择对应版本

  最新版本下载

  旧版本下载：链接

  (2) 安装
  1.点击下载的.exe文件，选择安装位置【此位置临时使用，后面会自动删除】。

  2.等待安装完成。

  3.检查系统兼容性。

  4.继续。

  5.同意并继续。

  6.自定义。

  7.组件可全选，仅选第一个也可。

  8.点击“下一步”，默认位置即可。

  9.等待安装。

  10.下一步。

  11.安装完成。

  (3) 检查是否成功

  1.查看环境变量是否添加。

  2.命令行分别打出如下命令后，显示如下，则说明安装成功。

nvcc -V
set cuda

---

二、cuDNN选择与安装

  cuDNN【官方地址】，要注意的是，我们需要注册一个账号，才可以进入到下载界面。大家可以放心注册。

  (1) 进入官网选择对应版本

  以下图为例：

  (2) 下载解压、复制替换
  下载完成后，将压缩包解压，将文件夹内的文件(bin/include/lib)，复制粘贴(替换)至CUDA安装目录下(默认地址)：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.7

  拷贝时看到，CUDA 的安装目录中，有和 cuDNN 解压缩后的同名文件夹，这里注意，不需要担心，直接复制即可。cuDNN 解压缩后的同名文件夹中的配置文件会添加到 CUDA安装目录中的同名文件夹中。

  (3) 设置环境变量
  现在应该可以理解，cuDNN 其实就是 CUDA 的一个补丁而已，专为深度学习运算进行优化的。然后再添加环境变量。

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.0\libnvvp

  (4) 验证安装是否成功

  启动cmd打开命令行，cd到安装目录下的 …\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe（进到目录后需要直接输“bandwidthTest.exe”和“deviceQuery.exe”）。

  或者直接将两个.exe文件拖进去：

  得到以上信息，说明安装成功！

---

三、PyTorch选择与安装

  (1) 虚拟环境
  在安装PyTorch之前，python相关环境准备好。这里推荐使用Anaconda并创建虚拟环境，至于Anaconda的安装，这里不赘述了，网上有一大堆，基本都是通俗易懂的。重要的是：使用pip的时候，网速过慢，建议使用清华镜像源或其他！！

  (2) 选择下载安装PyTorch
  虚拟环境创建好之后，进入虚拟环境，并进入PyTorch官网(链接)，选择合适的环境安装。

  以下是我安装的环境(如果有问题使用pip3)：

pip install torch==1.13.0+cu117 torchvision==0.14.0+cu117 torchaudio==0.13.0 --extra-index-url https://download.pytorch.org/whl/cu117

  (3) 验证安装是否成功
  安装完成之后，首先进入虚拟环境，然后通过以下几个命令来验证：

import torch
print(torch.__version__)  # 查看torch当前版本号
print(torch.version.cuda)  # 编译当前版本的torch使用的cuda版本号
print(torch.cuda.is_available())  # 查看当前cuda是否有可用的Torch，如果输出True，则表示存在/成功安装

  至此，在本文创建的虚拟环境中成功安装深度学习环境，显卡为RTX3050，torch版本为1.13.0，cuda版本为11.7，python为3.7。

---

🚶🚶🚶 今天的文章就到这里啦~ 喜欢的话，点赞👍、收藏⭐️、关注💟哦 ~