按照以下顺序进行:显卡驱动、cuda、cuDNN、torch。原因如下图所示:
图片源自深度学习环境配置---显卡驱动、pytorch、cuda和cudnn之间的配置关系_torch、torchvision、cuda 之间的对应关系-CSDN博客
1)查看电脑是否有GPU?
怎样知道自己的电脑是否支持GPU?_怎么看电脑有没有gpu-CSDN博客
2)安装显卡驱动
① 如何安装?
进入 下载 NVIDIA 官方驱动 | NVIDIA 查找,页面如下所示。
下载页面
安装页面
② 如何检验驱动的版本?
查看电脑安装的驱动版本,详见配置显卡驱动、CUDA、cuDNN以及说明三者之间的关系_cudnn和cuda的关系-CSDN博客
3)根据GPU安装对应的cuda版本。
① 如何查看自己电脑适合的cuda版本?详见链接中的步骤1。查看电脑适合的CUDA版本和对应的cuDNN版本及其下载_怎么看cuda对应的cudnn-CSDN博客
本机的cuda版本为12.5.78
或者输入nvidia-smi,表示本机适合的cuda版本为12.5.
注意,要先安装驱动,再安装cuda,不要颠倒步骤。cuda的版本是由驱动版本确定的。
② 如何安装cuda?
进入官网Developer Download Centers | NVIDIA Developer
点击CUDA Toolkit
若没有自己电脑合适版本的cuda,进入以下链接查找CUDA Toolkit Archive | NVIDIA Developer
双击exe进行安装,我的安装位置如下
③ 检验cuda是否安装成功:输入nvcc -V
出现下图所示页面表示未安装。
出现下图所示页面表示安装成功。
④ 卸载错误版本的cuda教程详见 windows 7 下cuda 9.0 卸载、cuda8.0 安装_win7 cuda卸载-CSDN博客
⑤ 查看cuda的安装位置:set cuda
4)安装cuda对应的cuDNN。
① 下载cuDNN
cudnn是深度学习的加速工具包,基于CUDA的深度学习GPU加速库,安装了cuDNN才能在GPU上完成深度学习的计算。
cuDNN下载链接 cuDNN Archive | NVIDIA Developer
点击下图所示,可能需要注册,按步骤指引操作即可。
② 配置cuDNN。
检查环境变量是否设置,下图所示表示设置成功。
解压cuDNN的压缩包,分别将cuDNN三个文件夹的内容分别复制到cuda对应的文件夹里面。
找到环境变量-系统变量-path,分别将如下三个变量添加进去,完成安装。
③ 检验cuDNN是否安装成功,详见Windows10检查Cuda和cuDNN是否安装成功?_查看大cuda时,cmd终端输入nvcc -v命令显示不是内部命令或外部命令,这是为什么-CSDN博客
5)安装GPU对应的pytorch版本。
注意:
* pytorch版本与cuda的版本有关;
* 有cpu版本的torch、gpu版本的torch两种;
① 如何查看电脑中的pytorch版本?
详见查看当前虚拟环境中的pytorch版本_conda查看pytorch版本-CSDN博客
目前,我的输出结果如下图所示,表示“已安装的torch是CPU版本的”:
若torch.cuda.is_available()输出结果为True,表示“已安装的torch是GPU版本的”。
若需要使用GPU版本的torch,需要卸载并重新安装
② 如何确定合适的torch版本?
进入 Start Locally | PyTorch pytorch官网,若没有对应的cuda版本,则选择最接近的额一个版本,生成安装命令。
在虚拟环境中输入上述命令,进行安装。等待安装完成即可。
③ 检查torch是否安装成功?
pycharm中输入以下代码,输出为True即为安装成功。
import torch
torch.cuda.is_available()