记一次win10安装cupy的失败经历(附 cupy与numpy对比)_cupy安装失败

win10 python38安装cupy中踩的n多个坑

问题的根源应该是我在装cupy之前把Nvidia cuda更新到了最新的11.5版本，原本是10.2版本。中间经历真是太狗血了，花了将近一天时间来搞，当然最后终于好了。应该是win10还不能用cupy-cuda115

记录一下中间大概经历的事情吧，也算是个教训了，中间瞎几把拐弯抹角搞了好多东西，也看了很多的博客跟官方文档，但是都没啥用

中间因为一直在摸索，没想着会整这么久，绕这么多弯，很多就没有截图记录

问题的开始

想着先把nvidia的cuda (Compute Unified Device Architecture) 升级到最新的吧，这样也能安装最新的cupy了，于是很多问题就来了......

• 在cmd中输入nvidia-smi命令，如下，cuda升级到了11.5
  
• 然后利用pip下载对应的cupy版本：cupy-cuda115:

pip3.8 install cupy-cuda115
# 查看安装情况
pip3.8 list | findstr "cupy"
# 输出cupy-cuda115，成功安装
1
2
3
4

然后问题来了，在import cupy之后显示如下：

---

问题越来越多

之后看了一些博客，索性不指定11.5版本了，直接：

pip3.8 install cupy
1

但是输出了一堆error，部分如下：

其中一个error显示为：

error: Microsoft Visual C++ 14.2 or greater is required. 
Get it with "Microsoft C++ Build Tools": 
https://visualstudio.microsoft.com/visual-cpp-build-tools/
1
2
3

很明显，需要去下载Microsoft Visual C++ 14.2 or greater
然后就去官方网站下载了，还参考了官方文档里的这个QA：
error: Microsoft Visual C++ 14.0 or greater is required. Get it with “Microsoft C++ Build Tools”: https://visualstudio.microsoft.com/visual-cpp-build-tools/

然后就是一个漫长的过程，下载+安装
成功之后再去重新：

pip3.8 install cupy
1

结果他喵的还是没有卵用，跟上面的error输出的一样。。。

问题继续，改变解决角度

之后开始从 ModuleNotFoundError: No module named 'cupy' 这个问题出发，找到一些博客
其一如下：
ModuleNotFoundError: No module named ‘cupy’, cupy 安装出错
然而我的问题还是毫发无损…

在评论区看到一篇，如下：
Pycharm出现ImportError或DLL load failed(CuPy is not correctly installed)
说是改环境变量，往系统变量的path里加几个路径
然而我的问题依旧毫发无损…

---

有点感觉了

Pycharm出现ImportError或DLL load failed(CuPy is not correctly installed)
这篇的评论区，有句话是：

有点东西了，可能是cuda115这个最新版本还不能用？我不清楚，反正我思路就变成：把cuda版本降回来，到v10.2
CUDA Toolkit 10.2 Download
同时看博客，也需要搞一下cudnn：
cuDNN Archive(选个适用于cuda10.2的)
最后整好之后，看一下环境变量里面系统那栏有没有CUDA_PATH和CUDA_PATH_V10_2这两个变量
利用命令：

nvcc -V # or: nvcc --version
1

---

看到了曙光

最后：

pip3.8 uninstall cupy-cuda115
pip3.8 install cupy-cuda102
1
2

此时再import cupy，它出现了：

终于好了！其实是自己作，本来一开始直接用cuda v10.2应该就没这么多屁事儿了。。。
不过话说回来，也学到不少东西没写出来，主要写写教训，就mark一下吧

---

附：cupy numpy对比

硬件：
CPU：AMD 锐龙4600H；
GPU：Nvidia GTX1650，4G独显

import numpy as np
import cupy as cp
import time

start = time.time()
a = np.ones(10**7)
end = time.time()

start_2 = time.time()
b = cp.ones(10**7)
end_2 = time.time()

# CPU
interval_1 = end - start
# GPU
interval_2 = end_2 - start_2
print(interval_1, interval_2, interval_2 / interval_1, sep='\n')

# 结果如下：
0.013987541198730469
1.559950351715088
111.52427217563238
# 发现在1000万数据规模时，创建一个(1, 10**7)的数组，numpy速度远快于cupy，是cupy的100多倍
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23

# 将创建的规模改为1亿，即10**8之后，结果如下：
0.18699407577514648
1.5673096179962158
8.381600387601841
# 可见此时numpy的速度仅为cupy的8倍左右，在数据规模大于1000万之后，随着数据规模的增加，cupy的速度提高远大于numpy
1
2
3
4
5

# 因为本机GPU只有4G，由于显存容量的限制，最后测试一下4*10**8规模
# 结果如下：
0.6669847965240479
1.7918219566345215
2.6864509745536878
# 此时numpy的速度仅为cupy的2倍左右，已经没有了数量级的差距
1
2
3
4
5
6

可见，如果GPU的显存容量足够大的话，那么在数据量达到亿规模之后，cupy的优势会越来越明显