【Python】Win10 Nvidia GPU 、tensorflow深度学习环境
文章目录
-
- 1流程步骤
- 2详细
-
- 1、查看有无独显
- 2、查看有无NAVIDIA驱动
-
- 2.1、有独显无驱动
- 2.2 、安装NAVIDIA显卡驱动
- 3、安装CUDA
-
- 3.1、查看cuda版本支持
- 3.2、下载对应显卡驱动版本的cuda
- 3.3、下载对应版本的cudnn
随着人工智能的发展，越来越多人都想往人工智能方向发展，可是人工智能环境配置对于小白来说非常发展恶心，之前我学习时也吃了不少亏，百度搜索各种操作指南参之不齐，很多都是直接了。这里我亲自操作（把俺电脑那些显卡驱动都删了重新演示一遍给小白）
1流程步骤
2详细
安装之前先说明一下几个概念：
1、显卡驱动、CUDA、cudnn之间的关系
显卡驱动：是封装成软件的程序，硬件厂商根据操作系统编写的配置文件。安装成功后成为了操作系统中的一小块代码，它是硬件所对应的软件，有了它，计算机就可以与显卡进行通信，驱使其工作。如果没有显卡驱动，显卡就无法工作。
cuda:其是由NVIDIA发明的并行计算平台以及编程模型，它可以显著的提高GPU的计算性能
cudnn:NVIDIA的cuDNN是针对深度神经网络计算的一个GPU加速库，为标准例程提供了高度优化的实现，比如向前、向后卷积，池化，规范化和激活层。其是NVIDIA Deep Learning SDK的一部分。
简而言之，显卡驱动让底层显卡硬件正常工作，CUDA的本质是一个使用显卡运算能力的工具包（ToolKit）。cuda既可以离线安装也可以在线安装，但离线安装的CUDA工具包会默认携带与之匹配的最新的驱动程序
显卡驱动与cuda的关系：NVIDIA的显卡驱动器与CUDA并不是一一对应的，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包，比如可以同时安装 CUDA 9.0、CUDA 9.2、CUDA 10.0三个版本。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以了，但是由于使用离线的CUDA总是会捆绑CUDA和驱动程序，所以在使用多个CUDA的时候就不要选择离线安装的CUDA了，否则每次都会安装不同的显卡驱动，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的CUDA即可。
CUDA、cuDNN的关系：CUDA与cuDNN也不是一一对应的。CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。
1、查看有无独显
2、查看有无NAVIDIA驱动
2.1、有独显无驱动
这里需要到NVIDIA官网下载
这个也行
上图对照下来
2.2 、安装NAVIDIA显卡驱动
1双击已下好的先科驱动
2【同意并继续】
3这里默认是精简，这里选择自定义，【下一步】
4勾选需要的组件，这里全部够了，注意一定要把圈红勾上，【下一步】
5【关闭】OK这里显卡驱动已完成
3、安装CUDA
3.1、查看cuda版本支持
1打开【NVIDIA控制面板】
2左下角【系统信息】
3【组件】
即可查看显卡驱动支持的cuda版本，或者键盘【Win】+R -》 输入cmd -》进入命令行输入
nvidia-smi
上图进行解释
第一栏的Fan：风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速，实际情况下如果风扇堵转，可能打不到显示的转速。有的设备不会返回转速，因为它不依赖风扇冷却而是通过其他外设保持低温（比如实验室的服务器是常年放在空调房间里）。
第二栏的Temp：是温度，单位摄氏度。
第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。
第四栏下方的Pwr：能耗。
第五栏的Bus-Id是涉及GPU总线的东西，domaindevice.function
第六栏的Disp.A是Display Active，表示GPU的显示是否初始化。
第五、第六栏下方的Memory Usage是显存使用率。
第七栏是浮动的GPU利用率。
第八栏上方是关于ECC的东西。
第八栏下方Compute M是计算模式。
3.2、下载对应显卡驱动版本的cuda
1如果不知道tensorflow对于的Python和cuda版本对应关系，可以查看这个tensorflow-python-cuda速查表
2如果cuda和电脑显卡驱动对应关系，可以参考-》https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html
3cuda下载官网：https://developer.nvidia.com/cuda-toolkit-archive
3.3、下载对应版本的cudnn
官网：https://developer.nvidia.com/rdp/cudnn-archive
这里需要注册登录，我们可以注册一个账号，由于我之前注册了
#### 3.4、CUDA、cudnn安装
1双击cuda,待检测完毕后，这里选择自定义【下一步】
- 精简：适合小白
- 自定义：不用说了
2 visual studio integration这一项没有勾选是因为我并没有使用VS环境【下一步】
只需选择CUDA下面这4项就够了（默认是全选的。。。）这一步之后，会询问这些组件的安装路径，可以直接使用C盘的默认位置，当然我自定义了一下（请记住这些安装路径，后面配置环境变量需要用到）
3查看cuda安装是否成功：
在命令行窗口输入：nvcc -V
出现你安装的版本就行
4安装cudnn
解压安装包
将该文件夹复制到cuda安装路径下：
5配置环境变量
在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下4条（默认安装路径）：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；
如果你选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径
这样环境已经搭建好了
接下来就是安装tensorflow那些包，可以参照下俩
至于其他，可以参考下面我两篇好的文章：
win0：
win10下CUDA和CUDNN的安装（超详细）
Win10系统下使用anaconda在虚拟环境下安装多版本CUDA及CUDNN
win11：
win11+tensorflow2.7+CUDA11.6+cuDNN8.3.2
Linux上配置可参考：
ubuntu18.04安装NVIDIA驱动，CUDA-9.0，CUDNN-7.05，tensorflow
这里提供一个包的离线下载：
tensorflow离线安装文件whl: