Windows 10下CUDA和cuDNN环境配置指南

Windows 10下CUDA和cuDNN环境配置指南

引用

CSDN

1.

https://blog.csdn.net/IT_ORACLE/article/details/145452867

CUDA（Compute Unified Device Architecture）和cuDNN（CUDA Deep Neural Network library）是NVIDIA开发的用于GPU加速计算的重要工具库，它们在深度学习领域有着广泛的应用。本文将详细介绍如何在Windows 10系统下安装和配置CUDA及cuDNN环境，并配置TensorFlow和PyTorch两个主流深度学习框架，以实现GPU加速。

1. 准备工作

检查 GPU 型号

• 确认你的GPU型号
• 确保你的 GPU 支持 CUDA。可以在 NVIDIA CUDA GPU 列表 中查找你的 GPU 是否支持 CUDA。
• 例如，NVIDIA GeForce GTX 750 Ti 支持 CUDA 计算能力 5.0。

更新 NVIDIA 驱动

• 打开 NVIDIA 驱动下载页面，选择你的 GPU 型号和操作系统版本，下载并安装最新的驱动程序。

下载 CUDA Toolkit

• 访问 NVIDIA CUDA Toolkit 下载页面，选择适合 Windows 10 的 CUDA 版本。例如，如果显卡最高可以适配CUDA 10.2，需要从Archive Previous CUDA Releases中查找。

下载cuDNN

• 访问 NVIDIA cuDNN 下载页面，下载与 CUDA 版本匹配的 cuDNN（需要注册 NVIDIA 开发者账号）。

2. 安装 CUDA Toolkit

运行安装程序

• 双击下载的 CUDA 安装包（如 cuda_10.2.89_441.22_win10.exe）。
• 选择精简模式或者选择“自定义安装”，确保勾选以下组件：
• CUDA Toolkit（核心组件）
• CUDA Samples（可选，用于测试）
• NVIDIA GPU 驱动（如果未安装最新驱动）。

配置环境变量

• 安装完成后，CUDA 会自动添加环境变量。如果没有，请手动添加：
• 右键点击“此电脑” -> “属性” -> “高级系统设置” -> “环境变量”。
• 在 Path 中添加以下路径：

  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin
  C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp
  

验证安装

• 打开命令提示符（CMD），输入以下命令：

  nvcc --version
  

如果显示 CUDA 版本信息，则安装成功。

3. 安装 cuDNN

解压 cuDNN 文件

• 下载的 cuDNN 是一个压缩包（如 cudnn-10.2-windows10-x64-v7.6.5.32.zip），解压后会得到以下文件夹：
• bin
• include
• lib

复制文件到 CUDA 安装目录

• 将 cuDNN 的文件复制到 CUDA 安装目录（默认路径为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）：
• 将 bin 文件夹中的文件复制到 CUDA\v10.2\bin。
• 将 include 文件夹中的文件复制到 CUDA\v10.2\include。
• 将 lib 文件夹中的文件复制到 CUDA\v10.2\lib。

验证 cuDNN 安装

• 打开命令提示符，输入以下命令：

  nvcc -V
  

如果显示 CUDA 版本信息，则 cuDNN 安装成功。

4. 测试 CUDA 安装

编译并运行 CUDA Samples

• 进入 CUDA Samples 目录（默认路径为 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2）。
• 打开 Samples_vs2019.sln（如果使用 Visual Studio 2019）。
• 编译 Samples（选择 Release 和 x64 配置）。
• 运行测试程序（如 deviceQuery）：
• 进入 bin\u0064\Release 目录，双击 deviceQuery.exe。
• 如果显示 GPU 信息，则 CUDA 安装成功。

5. 配置深度学习框架

TensorFlow

1. 安装支持 GPU 的 TensorFlow

• 打开命令提示符，运行以下命令（不同版本的 TensorFlow 需要不同的 CUDA 版本支持。根据 TensorFlow 官方文档，TensorFlow 2.3.0 和 2.4.0支持CUDA 10.1，而官方并未直接支持 CUDA 10.2。但你可以尝试让TensorFlow 2.3.0 在 CUDA 10.2 环境下运行，通常是可行的。）：

  pip install tensorflow-gpu==2.3.0
  

2. 验证 GPU 是否可用

• 打开 Python 解释器，运行以下代码：

  import tensorflow as tf
  print(tf.config.list_physical_devices('GPU'))
  

  如果显示 GPU 设备信息，则 TensorFlow 已成功配置为使用 GPU。

  [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
  

3. 遇到的常见问题

• 问题 1：Could not load dynamic library 'cudart64_101.dll'
  错误信息：

  Could not load dynamic library 'cudart64_101.dll'; dlerror: cudart64_101.dll not found
  

  原因：
• TensorFlow 2.3.0 需要CUDA 10.1，而你安装的是CUDA 10.2。
  解决方案：
• 方法 1（推荐）：安装 CUDA 10.1 并使用 TensorFlow 2.3.0。
• 方法 2：尝试 TensorFlow 2.5+（但需要更高版本的 CUDA）。
• 方法 3：如果坚持用 CUDA 10.2，可以手动下载cudart64_101.dll并放入C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin。
• 方法4：如果坚持用 CUDA 10.2，可以将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin下的cudart64_102.dll改名为cudart64_101.dll。

PyTorch

1. 安装支持 GPU 的 PyTorch

• PyTorch 各个版本对 CUDA 版本的支持可以在官网 PyTorch 官网 查询。打开命令提示符，运行以下命令：

  pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu102
  

2. 验证 GPU 是否可用

• 打开 Python 解释器，运行以下代码：

  import torch
  if torch.cuda.is_available():
      print(f"GPU is available: {torch.cuda.get_device_name(0)}")
      print(f"CUDA version: {torch.version.cuda}")
  else:
      print("GPU is not available.")
  

  如果输出显示 GPU 可用，并且 CUDA 版本正确，就说明 PyTorch 已成功配置 GPU 加速。

  GPU is available: GeForce GTX 750 Ti
  CUDA version: 10.2
  

6. 常见问题

1. 驱动冲突

• 确保安装的 NVIDIA 驱动与 CUDA 版本兼容。

2. 环境变量未生效

• 检查环境变量配置是否正确，并确保重新加载配置文件。

3. 显存不足

• 如果显存不足，可以尝试减少批量大小（batch size）或使用模型量化技术。

4. nvidia-smi命令不可用

• 将C:\Program Files\NVIDIA Corporation\NVSMI添加到环境变量的Path变量中。

通过以上步骤，你应该能够在Windows 10 企业版下成功安装和配置 CUDA 框架，并开始使用 GPU 加速深度学习任务。