tensorflow的GPU安装-CUDA和cudnn安装

此问题源于：在一次运行github上项目（时序数据分类的对抗攻击）时出现的报错：ould not find 'cudart64_80.dll'

本程序运行环境：python3.6.x，tensorflow1.4.0,Win11

要完成的配置：Win11+CUDA8.0+CUDNN6.0

其他：搭建好win11下的GPU版本的pytorch环境Windows11+cuda10.0+Pytorch安装(附文件下载链接)_windows11能用cuda10吗-CSDN博客

CUDA安装

• 前提：在安装CUDA之前，要先确认计算机上是否支持CUDA程序的NVIDIA显卡设备。

 打开设备管理器，查看显示适配器是否有英伟达显卡配置

•  步骤概括：CUDA的安装很简单，就分成三步：
  1、cuda的软件安装
  2、cvDNN的神经网络加速库安装
  3、配置环境变量

•  步骤

 我们进入cuda软件下载的界面：CUDA Toolkit Archive | NVIDIA DeveloperCUDA Toolkit 8.0 - Feb 2017 | NVIDIA Developer

我下载的是CUDA8.0​这两个都下载​下载完，先双击运行这个​

安装包安装完毕后，打开安装软件：路径可自行更改​

系统检查阶段可能出现警告：（可以先不管）

​

选择自定义安装

在组件CUDA一栏中，取消勾选Visual Studio Integration（因为我们并没有使用Visual Stduio环境，即使勾选上了也会安装失败）

在Driver components一栏比较Display Driver的新版本和当前版本的信息。若当前版本高于新版本，则取消勾选Display Driver；若若当前版本低于新版本，则保留默认安装信息即可，否则电脑会死机或者卡顿，甚至可能蓝屏。！！​在CUDA的安装路径这里，保持默认就好，默然安装在C盘，一定一定不要修改。（来自一个手贱的人的警告）
一定一定要记住安装路径，因为后面配置环境要用到！！！​

到这里，完成安装。打开环境变量查看环境是否配置好了，打开系统变量：​

如果系统变量没有自动配置的话，需要我们手动配置。路径是根据前面是否自己有没有修改来指定。

然后，安装完成后，双击运行这个补丁文件​依然选择自定义安装，下一步

​​

检查环境变量，会出现​配置好环境变量后，我们检查下CUDA是否安装成功。打开cmd，输入以下命令查看CUDA是否安装成功（二选一）nvcc -V或者nvcc --version
如果不能显示以下信息，则说明安装失败。​

还可以查看CUDA 设置的环境变量。set cuda

CUDNN安装

CUDA并不是实现GPU的神经网络加速库，如果希望针对的是神经网络进行加速，我们还需要安装cuDNN神经网络加速库。
cuDNN并非是应用程序，而是几个文件包，下载后把它复制到CUDA 的目录下即可。cuDNN Archive | NVIDIA Developer（找到对应CUDA的版本）（我选的是CUDNN6）

注意！如果要下载cuDNN，必须要登录NVIDIA的账户。登录完成后才能下载。没登录过的先注册。下载后有四个文件（我只有前三个）

查看CUDA8.0原文件

将cuDNN的文件全部复制到该文件夹下，复制后的文件展示：（有重复的文件是正常的，覆盖掉就好）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，然后我们再添加环境变量！继续往下走。

打开环境变量，在系统变量的path路径下添加以下路径：（具体要根据自己的安装路径下做调整）

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include

配置好环境后，我们需要验证环境变量是否配置成功：
打开cmd，我们进入到以下路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\extras\demo_suite

然后分别执行以下两个命令：.\bandwidthTest.exe
和.\deviceQuery.exe

如果Result都为PASS的话则配置成功！

都安装好之后，我们可以继续输入nvidia-smi查看CUDA的信息，然后根据安装版本的信息再去实现其他的库（环境）安装和使用！

如图所示，可以看到驱动的版本是511.23；最高支持的CUDA版本是11.6版本。