GPU启用及Pytorch/Cuda安装

最近在跑神经网络，用CPU跑实在是太慢了，于是决定探究一下怎么用GPU跑，配置GPU环境的过程异常艰辛，为此还阅读几十篇CSDN+知乎优秀博主的优质论文，最后终于整出来了，现在我总结一下就当做个备忘录吧。以下内容引用了很多博主的博客内容，如有侵权，立刻删除。

一、安装python

从https://www.python.org/进入python官网，找到下图所示的下载按钮进入下载界面：

可以在下方找到“all releases”来下载更多版本的python。
当电脑装载多版本python时，可以在DOS命令框通过“python -版本号”的方式切换python环境，要想改变默认python版本，应当在系统环境变量控制面板path变量中增加需要的python默认版本(defult)文件路径。具体操作步骤如下：
1.进入“高级系统设置”面板

2.点击“环境变量”进入环境变量设置界面

3.编辑环境变量
根据需求可以选择改变用户变量或者系统变量，一般选择改变系统变量。在系统变量中找到Path一栏，点击“编辑”，可以看到最下面已经添加的两种python版本，如果没有，则需要人为添加，添加的方式为点击右边的“新建”按钮，将每种版本的python安装路径复制进去。

4.修改默认python版本
只需要将想要的python版本路径移到其他版本路径上方即可。
5.结果展示
按照上方的编辑结果，用cmd打开系统dos命令框，输入“python”指令便可看到系统默认的python版本为3.10.2

二、安装pycharm

PyCharm是一种Python IDE（Integrated Development Environment，集成开发环境），带有一整套可以帮助用户在使用Python语言开发时提高其效率的工具。其下载链接为：https://www.jetbrains.com/pycharm/download/#section=windows；下载社区版即可。
一般来说从pycharm中下载的包都存放在“python安装根目录/Lib/site-packages/”目录下，这点可以之后在pycharm中下载包的时候找到包的地址。

三、安装或更新Nvidia驱动版本

（若版本足够请直接跳过此步骤）
安装cuda前应当确定cuda的版本，以及计算机的Nvidia驱动版本，若Nvidia驱动版本过低将无法带动cuda运行，可以由如下两种方式查看Nvidia/cuda版本：
【引用出处：https://blog.csdn.net/weixin_39450145/article/details/125036484】

3.1 确定版本驱动

方式一：通过Nvidia控制面板查看
1.在电脑桌面鼠标右击选择Nvidia控制面板，如下所示：

2.选择左上方帮助界面中的“系统信息”；
3.选择“组件”，在NVCUDA.DLL一栏可以查看CUDA驱动信息，下图中划横线的即为系统现有的CUDA版本。

方式二：通过系统cmd命令查看
通过“win+R”快捷键并输入“cmd”命令进入系统命令框，键入“nvidia-smi”即可查看Nvidia及CUDA版本信息：

3.2 安装驱动

确定完驱动版本后可以直接去Nvidia官网下载相应版本的驱动，这里附上官网链接：
https://www.nvidia.com/Download/index.aspx?lang=en-us
在该界面设定好对应自己电脑的驱动参数后即可下载驱动安装包，我的电脑所需安装配置如下：

下载完安装包直接安装即可，但记住需要装在C盘。

四、安装cuda

CUDA的下载有其他大量且优质的帖，故不在此详述。为了大家顺利进行下一步，我把其中一位优质博主的链接分享放在下面，大家有需自取：
【引用出处1：https://blog.csdn.net/weixin_44177494/article/details/120444922】
【引用出处2：https://blog.csdn.net/David_house/article/details/125314103】
另外附上Nvidia官网的cuda下载地址：https://developer.nvidia.com/cuda-downloads
以上网址打开会费点时间，大家耐心等待即可。
下载后的CUDA安装包应该会在2个G以上，大家下载完后直接安装在C盘即可。

五、下载cudnn

cudnn是一个计算库，安装过程是将下载的文件解压出来后，按对应文件夹将内容复制到cuda安装路径的对应文件夹下的，所以去cuda安装路径的对应文件夹那里看一眼就行，默认安装路径的话分别是’C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\bin’和’C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\lib\x64’，有没有一系列名字带有cudnn的文件存在，如果有的话应该就是装过了。没有的话直接去Nvidia官网下载cuda对应版本的cudnn，注意一定要是对应的版本，同样附上链接：https://developer.nvidia.com/rdp/cudnn-download
【引用出处：https://blog.csdn.net/weixin_52492249/article/details/121985047】
点进去同样很慢，并且这个需要注册并登录账户才能下载，但不会费太多的时间。
下载完cudnn压缩包后解压，解压后的文件一般如下图所示：

将前三个文件复制到刚刚CUDA的安装地址，如果是默认安装的话地址一般为：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\，这里注意，需要将每个文件内部的所有文件全部迁移到上面目录对应文件夹下，这样以来，cuda+cudnn就安装完了。

六、安装pytorch

【引用出处：https://zhuanlan.zhihu.com/p/424837529，是一位大佬的帖子】
这一步非常重要，可以说大家启用GPU失败的原因都在这里，pytorch的安装可以去pytorch官网【https://pytorch.org/】直接复制对应的命令语句安装，如下图所示：

按照自己的系统要求选择完对应的参数后复制下方的“Run this Command”语句去系统命令框执行便可直接安装pytorch，但如果这么做的话安装速度会非常非常非常慢，最后即使你安装完了运行后发现还是没能成功启用GPU，故这种方式不行，后续如果成功了我继续补上。
那应该怎么办呢，在网上找了许久后我发现了一些博主找到了一个非常万能的GPU本本torch下载链接，从该链接中下载需要的GPU版本torch到本地，再通过pip指令安装即可，这里附上这个万能下载库网址：https://download.pytorch.org/whl/torch_stable.html，再寻找自己需要的torch包下载即可，这里附上对应我自己电脑包的图：

然后再解释一下这些链接的命名规则：
1.最前面的’cu113’指的是支持11.3版本的cuda，同理’cu101’就是支持10.3版本的cuda。看到的最低的cuda版本是10.0，低于10.0版本cuda对应的pytorch安装包可能存放在其他地方，或者不提供支持了。如果是’cpu’则说明是cpu版本的包，不适配gpu。
2.cuda版本号后的’/‘和’%'之间的是包的内容和版本，比如torch-1.10.0就是1.10.0版本的torch，这个很容易理解。
3.紧接着的’cu113’和前面是一个意思，表示支持的cuda版本，‘cp3x’则表示支持的Python版本是3.x，如果是由于我安装的是Python 3.9.10，因此我选择的是cp39的包。
4.最后面的’Linux_x86_64’和’win_amd64’就很简单了，Linux版本就选前一个，Windows版本就选后一个，MacOS的就不知道了，可能也是后一个（哈哈哈哈）。
将torch下载下来后就可以用pip进行安装了，指令就是’pip install D:\DownloadData\MyDownload\torch-1.11.0+cu113-cp39-cp39-win_amd64.whl’，后面的路径换成你下载到的文件夹即可。
做完以上的步骤后，应该就能使用GPU跑网络程序了，但以防万一还是需要测试以下的，可以拿pycharm来测试，具体的代码图片如下：

若结果为“True”，则证明安装成功。