CUDA和cudnn详细安装过程【通用win】_cuda11.1 cudnn

1 软硬件资源

仅作参考，其他型号通用

• win 11 32内存
• 显卡 RTX 2080Ti ，驱动版本号：516.59
• python 3.8.10
• torch 1.8.0 框架
• cudatoolkit 11.1
• cudnn 8.0.4

2 查看适用cuda版本

2.1 查看本机的cuda算力

安装之前先进入官网查看自己的显卡能不能用，可以去https://developer.nvidia.com/cuda-gpus查看支持cuda的显卡，

image.png

发现自已的显卡支持算力是 7.5

2.2 查看支撑CUDA的最大版本

nvidia-smi
1

如红色标记，,本机配置最大版本可以安装到11.7，所以CUDA version11.7以下都可以安装。

2.3 CUDA驱动和CUDA Toolkit对应版本

表一：CUDA驱动及CUDA Toolkit最高对应版本

image.png

最新可查阅官方文档

注：驱动是向下兼容的，其决定了可安装的CUDA Toolkit的最高版本。

cuDNN与CUDA

官网：https://developer.nvidia.com/rdp/cudnn-archive

2.4 CUDA Toolkit版本与PyTorch对应版本

表二：CUDA Toolkit版本及可用PyTorch对应关系（参考官网）

注：虽有的卡驱动更新至较新版本，且CUDA Toolkit及PyTorch也可对应更新至新版本。但有的对应安装包无法使用，有可能是由于卡太旧的原因。

2.5 选定版本

选择：本次决定安装 version 11.1。

3 cuda安装

3.1 cuda和cudnn下载

3.1.1 cuda下载

在nvidia官网下载cuda版本11.1.1，并安装

地址为https://developer.nvidia.com/cuda-toolkit-archive。建议采用runfile**（local）**方式下载安装。

下载：https://developer.download.nvidia.cn/compute/cuda/11.1.1/local_installers/cuda_11.1.1_456.81_win10.exe

3.1.2 cudnn下载

从nvidia官网下载cudnn8.0

https://developer.nvidia.com/rdp/cudnn-archive

3.2 cuda安装

安装exe软件包，下一步，走起！

1 先安装VS2019（很重要）

2 cuda的驱动也要安装，我这里提前安装好啦

安装具体也可参考cuda和VS的安装

下载完打开安装程序，安装路径选择自定义，自定义选项，选择cuda 打勾，然后一路下一步安装完成

安装cuda时，只选中CUDA（但是里面有一个VS没有选择，其余都选择啦），其余未选中，然后默认安装。

安装完成后出现一些log信息，这些信息不影响，毕竟我已经提前安装VS2019啦。

Installed:
     - Nsight for Visual Studio 2019
     - Nsight Monitor
Not Installed:
     - Nsight for Visual Studio 2017
       Reason: VS2017 was not found
     - Nsight for Visual Studio 2015
       Reason: VS2015 was not found
     - Integrated Graphics Frame Debugger and Profiler
       Reason: see https://developer.nvidia.com/nsight-vstools
     - Integrated CUDA Profilers
       Reason: see https://developer.nvidia.com/nsight-vstools

1
2
3
4
5
6
7
8
9
10
11
12
13

3.3 配置环境变量

根据上面的步骤，安装完后，去配置环境变量，发现环境配置自动完成啦，如果没有配置完成，请自我配置即可。

检查图中有两个环境变量

image.png

配置 Path

---

3.4 cuda - 验证安装

如下所示，表示 cuda安装成功

3.5 cudnn神经网络加速库安装

把下载的cudnn解压出来，cuda目录里文件（bin，include，lib，NVIDIA_SLA_cuDNN_Support.txt）拷贝到文件内（.\CUDA\v11.1）

添加cuda11.1的lib库环境变量，复制这个路径(C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64)到环境变量里

image.png

结果如上面3.3 配置环境变量那一块。

至些cuda,cudnn配置完成

4 pytorch 1.8.0 安装

由于以前安装过CPU版本的pytorch，先卸载，后安装GPU版本的torch

PyTorch官网信息：

Linux and Windows

# RocM 4.0.1 (Linux only)
pip install torch -f https://download.pytorch.org/whl/rocm4.0.1/torch_stable.html
pip install ninja
pip install 'git+https://github.com/pytorch/vision.git@v0.9.0'

# CUDA 11.1 - 采用这个
pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

# CUDA 10.2
pip install torch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0

# CPU only
pip install torch==1.8.0+cpu torchvision==0.9.0+cpu torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html

1
2
3
4
5
6
7
8
9
10
11
12
13
14

image.png

验证

安装后，使用代码验证是否能调用

import torch

print(torch.__version__ )# 查看pytorch版本
print(torch.cuda.is_available())    # 判断pytorch是否支持GPU加速
print(torch.version.cuda)   # 查看CUDA版本
print(torch.backends.cudnn.version())   # 查看cuDNN版本
print(torch.cuda.get_device_name()) # 查看显卡类型，设备索引默认从0开始

1
2
3
4
5
6
7
8

结果如下：

image.png

如果输出为True则表示GPU版本的pytorch安装成功！终于成功啦。

5 tensorflow-gpu 安装

上表没有涵盖cuda11.1
有的人说：cuda11.1 适配 tensorflow-gpu 2.5.0 keras 2.4.3

tensorflow-gpu 2.6.0
tensorflow 2.5.1