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

本文将详细介绍在Windows 10下安装和配置CUDA及cuDNN环境的完整步骤，包括安装CUDA Toolkit、cuDNN以及配置深度学习框架（如TensorFlow和PyTorch）的方法。

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。