深度学习pytorch-GPU环境配置

本文记录了电脑环境基于pytorch安装配置GPU的过程。

目录：

一、查看驱动程序

二、安装Pytorch+torchvision+torchaudio

三、安装CUDA

四、加入CUDNN库文件

五、配置环境变量

---

环境：win11+NVIDIA RTX4500+anaconda2.4.0+pycharm2022

一、查看驱动程序版本

1、nvidia 控制面板 查看【帮助】-》【系统信息】-》组件 CUDA 12.0.151 driver

 

2、打开cmd，输入：nvidia-smi

返回表中有：NVIDIA-smi 528.78  Driver Version:528.78  CUDA Version:12.0

代表支持的cuda最高版本为12.0

 

3、如果未安装驱动程序，可以通过此地址确定版本下载

https://www.nvidia.com/download/index.aspx?lang=en-us

二、安装Pytorch+torchvision+torchaudio

1、查看支持版本对表https://github.com/pytorch/vision#installation

cmd->python   返回python 3.9.12

2、下载pytorch

https://pytorch.org/get-started/locally/

 

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

执行报错了，安装文件太大，选择离线下载安装

3、安装包离线下载地址

https://download.pytorch.org/whl/torch_stable.html

Anaconda Prompt中执行：

Conda create -n env_gpu python3.9.16

Activate env_gpu

pip install D:\pip\torch-2.0.0+cu118-cp39-cp39-win_amd64.whl

pip install D:\pip\torchaudio-2.0.1+cu118-cp39-cp39-win_amd64.whl

pip install D:\pip\torchvision-0.15.0+cu118-cp39-cp39-win_amd64.whl

测试gpu版本torch是否成功安装，在Anaconda Prompt输入：python  import torch  torch.cuda.is_available()。如果返回True则安装成功。

 

附：

删除conda环境的命令：conda remove -n my_torch --all

 

三、安装CUDA

1、CUDA下载：CUDA Toolkit Archive | NVIDIA Developer

2、安装，选择自定义安装

此处可以不勾选vs，只有需要编译时才需要

 

记住安装目录，下一步安装cudnn需要用：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

 3、检查是否安装成功

在cmd中输入:nvcc  --version ，下图为安装成功。

 

4、进一步查看信息：

(base) C:\Users\hp>conda env list

# conda environments:

base                  *  C:\ProgramData\Anaconda3

env_gpu                  C:\Users\hp\.conda\envs\env_gpu

(base) C:\Users\hp>activate env_gpu

(env_gpu) C:\Users\hp>python

Python 3.9.16 (main, Mar  8 2023, 10:39:24) [MSC v.1916 64 bit (AMD64)] on win32

Type "help", "copyright", "credits" or "license" for more information.

>>> import torch

>>> torch.__version__

'2.0.0+cu118'

>>> torch.cuda.is_available()

True

>>> torch.cuda.device(0)

>>> torch.cuda.device_count()

1

>>> torch.cuda.get_device_name(0)

'NVIDIA GeForce RTX 3060 Laptop GPU'

 四、加入CUDNN库文件

1、CUDNN下载：https://developer.nvidia.com/rdp/cudnn-download

 2、下载完成后解压

打开CUDA的安装目录

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1

把cuDNN压缩包解压缩，分别把bin、include、lib\x64三个文件夹中的.dll、.h和.lib文件复制到CUDA目录下对应文件夹里。

3、检查安装：

需要运行该文件：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite\目录下的bandwidthTest.exe

如果直接打开窗口会闪退，无法看清，需要

打开cmd，

执行：cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite\ 

执行：bandwidthTest.exe

返回：内容中含：Resule=Pass

 

执行：bandwidthTest.exe，则返回下图：

 五、配置环境变量

1、查看当前有关环境变量，cmd 输入set cuda

 桌面-》计算机-》右键【属性】-》搜索框：查看高级系统设置->环境变量-》系统变量-》

添加（我的环境只配置了以下两个）：

CUDA_BIN_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin

CUDA_LIB_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64

其中，关于CUDA Samples下的文件爱你, CUDA在11.6版本之后不会将Samples集成在toolkit安装包中，可从GitHub中访问。

https://gitcode.net/mirrors/nvidia/cuda-samples?utm_source=csdn_github_accelerator

借个别人环境变量配置图，我的环境暂时不配置环境变量也运行正常

 

CUDA/cudnn/CUDA Toolkit/NVCC区别简介

CUDA：为“GPU通用计算”构建的运算平台。

cudnn：为深度学习计算设计的软件库。

CUDA Toolkit (nvidia)： CUDA完整的工具安装包，其中提供了 Nvidia 驱动程序、开发 CUDA 程序相关的开发工具包等可供安装的选项。包括 CUDA 程序的编译器、IDE、调试器等，CUDA 程序所对应的各式库文件以及它们的头文件。

CUDA Toolkit (Pytorch)： CUDA不完整的工具安装包，其主要包含在使用 CUDA 相关的功能时所依赖的动态链接库。不会安装驱动程序。

（NVCC 是CUDA的编译器，是 CUDA Toolkit 中的一部分）