前言
本教程的前提是在ubuntu系统内,已成功安装NVIDIA显卡驱动,若没有安装NVIDIA显卡驱动点这里
本人亲测可用配置:
ubuntu 20.04 + GTX 1080Ti + TensorFlow-gpu 2.3.1 + CUDA 10.1 + CUdnn 7.6.0 + python 3.8.10
一、安装CUDA
1.1 确定CUDA版本
首先,不同TensorFlow版本对应的CUDA版本也是不同的。如果你安装最新或最高支持的版本,但tensorflow不支持,也没啥用。TensorFlow官网给出的测试配置在这
1.2 下载CUDA文件
选择适合自己的CUDA版本,runfile文件下载,并按照安装命令安装
1.3 安装CUDA(可实现多版本cuda切换)
CUDA 10.0安装方法教程参考
CUDA 10.1及以上安装的方法教程参考
二、安装CUDNN
CUDNN的安装要根据所装的CUDA版本进行对应,下载前需要注册NVIDIA账号,CUDNN各版本下载官网
CUDNN8.0以下版本的安装方法,参考
CUDNN8.0及以上版本的安装方法,参考
三、环境配置
打开终端,输入
sudo gedit ~/.bashrc
# 添加以下内容
# 支持多个CUDA版本切换,要改版本就修改/usr/local/cuda的软连接就行了
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/usr/local/cuda/lib64
export PATH=$PATH:/usr/local/cuda/bin
export CUDA_HOME=$CUDA_HOME:/usr/local/cuda
如果使用的是conda虚拟环境,一定要在环境内安装对应cudatoolkit版本,才能正常使用
命令如下:
# 激活自己的环境
conda activate tf2rl
# cuda安装哪个版本,就安装对应cudatoolkit版本
# 本例使用cuda 10.1
conda install cudatoolkit==10.1
到此,环境配置完成后,必须重启电脑,不然检测还是False!
四、环境测试
检测CUDA和CUDNN是否安装完成
检测cuda版本 : nvcc -V
查看位置 : which nvcc
查看NVIDIA动态使用情况: watch -n 1 nvidia-smi
cuda 版本 : cat /usr/local/cuda/version.txt
检测cudnn 版本 : cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
NVIDIA 驱动版本 : cat /proc/driver/nvidia/version
查看TensorFlow gpu是否可用
# 在自己环境内的python
import tensorflow as tf
tf.test.is_gpu_available()
当显示True时,表示TensorFlow和GPU连接成功,大功告成!!