电脑桌面-右键-NVIDIA控制面板-帮助-系统信息-驱动程序版本;
前往CUDA Toolkit版本官网查看与显卡驱动程序版本相对应的CUDA Toolkit版本(注意满足条件是大于等于,笔者的驱动版本为512.77,可以选择绿色框内任意版本,为了与之前版本保持一致,笔者选择了红色版本);
前往CUDA Toolkit下载官网,找到并点击对应版本CUDA Toolkit,继续点击与自己电脑匹配的选项,下载并安装(保持默认安装即可);
前往cuDNN官网,下载与CUDA对应版本(文件后有标注)的cuDNN(为了与之前版本保持一致,笔者选择了v8.1.0),此处下载需要注册账号;
如果您选择笔者相同版本,亦可通过百度网盘下载CUDA11.2.0和cuDNN v8.1.0(无需提取码);
解压刚刚下载的cuDNN并复制bin、include、lib文件夹,进入C:\ProgramData\NVIDIA GPU Computing Toolkit\v11.2(自己的版本号),粘贴(如果找不到ProgramData文件夹,可能是文件被隐藏,显示隐藏文件即可);
按下WIN键,搜索“环境变量”并进入-选择“用户变量”-双击“Path”-“新建”-添加以下变量:
C:\ProgramData\NVIDIA GPU Computing Toolkit\v11.2(自己的版本号)\bin
C:\ProgramData\NVIDIA GPU Computing Toolkit\v11.2(自己的版本号)\include
C:\ProgramData\NVIDIA GPU Computing Toolkit\v11.2(自己的版本号)\lib
事先声明,由于笔者使用的是python3.9版本,并已经多次测试成功,读者可依据自己的python版本在官网自行搜索相关命令,避免照搬带来错误。
前往pytorch版本官网,查看与CUDA相对应版本的pytroch,由于没有与CUDA11.2.0对应的版本,笔者选择了CUDA11.3的pytorch,复制命令(笔者选择的命令: pip install torch==1.11.0+cu113 torchvision==0.12.0+cu113 torchaudio==0.11.0 --extra-index-url https://download.pytorch.org/whl/cu113
)。
回到桌面,WIN+R组合键,输入cmd回车,粘贴命令,回车,即可安装pytorch至环境。
前往tensorflow版本官网,查看与CUDA、cuDNN对应版本的tensorflow(笔者选择的是2.6.0版本)。
回到桌面,WIN+R组合键, 输入cmd回车,输入pip install tensorflow-gpu==2.6.0(自己的版本),回车即可安装tensorflow至环境。
import tensorflow as tf
import torch
print(tf.__version__) # tensorflow version
print(tf.config.list_physical_devices('GPU')) # GPU
print(torch.__version__) # pytorch version
print(torch.cuda.is_available()) # CUDA
到这里Pytorch/Tensorflow的CUDA加速就配置完成啦,如果你在安装过程中遇到任何问题,请在下方留言,看到后会及时回复,感谢关注!