其他分享
首页 > 其他分享> > Win10安装CUDA11.4和Torch1.9.0

Win10安装CUDA11.4和Torch1.9.0

作者:互联网

Win10安装CUDA11.4和Torch1.9.0

CUDA介绍及安装说明

CUDA介绍

CUDA是显卡厂商NVIDIA推出的运算平台,常用于一些图形图像处理技术。当然,安装CUDA的 前提 是有一块NVIDIA的独显。如今人工智能、神经网络方向的大火,更是带动了CUDA在并行计算领域的发展,本文安装CUDA平台主要是用于Python语言基于Pytorch框架编写神经网络模型。

至于详细的CUDA介绍可参考百度百科

CUDA安装说明

本文详细介绍的是Windows平台下CUDA的安装教程,之前曾在Linux平台(Ubuntu 18.04系统)上安装过,但估计是显卡驱动等相关的原因并未能够正常使用,现在转战Windows平台,凭借Win10兼容性强的特点上手安装会更加容易。

对于那些安装CUDA用于并行计算的朋友,需要特别说明的一点是一定要注意CUDA的版本与编程语言支持的版本是否相同。本文安装CUDA是用于Python语言中Pytorch框架编程,目前全网搜索Pytorch安装教程CUDA11.4&Torch1.9.0应该是最新的版本,也算是我头铁安装的一次经历吧。

显卡驱动查看及CUDA安装版本号选择

查看本机显卡驱动

直接百度搜索查看显卡驱动的很多教程与后续NVIDIA给出的版本号相差较大,真正查看符合的版本号可参考这篇文章

查询CUDA支持的显卡驱动版本

需要安装的CUDA版本必须有支持的显卡驱动,NVIDIA官网公布了CUDA支持的显卡驱动版本号,本文截取在榜的支持驱动如下表所示:

CUDA ToolkitLinux x86_64 Driver VersionWindows x86_64 Driver Version
CUDA 11.4.0 GA>=470.42.01>=471.11
CUDA 11.3.1 Update 1>=465.19.01>=465.89
CUDA 11.3.0 GA>=465.19.01>=465.89
CUDA 11.2.2 Update 2>=460.32.03>=461.33
CUDA 11.2.1 Update 1>=460.32.03>=461.09
CUDA 11.2.0 GA>=460.27.03>=460.82
CUDA 11.1.1 Update 1>=455.32>=456.81
CUDA 11.1 GA>=455.23>=456.38
CUDA 11.0.3 Update 1>=450.51.06>=451.82
CUDA 11.0.2 GA>=450.51.05>=451.48
CUDA 11.0.1 RC>=450.36.06>=451.22
CUDA 10.2.89>=440.33>=441.22
CUDA 10.1 (10.1.105 general release, and updates)>=418.39>=418.96
CUDA 10.0.130>=410.48>=411.31
CUDA 9.2 (9.2.148 Update 1)>=396.37>=398.26
CUDA 9.2 (9.2.88)>=396.26>=397.44
CUDA 9.1 (9.1.85)>=390.46>=391.29
CUDA 9.0 (9.0.76)>=384.81>=385.54
CUDA 8.0 (8.0.61 GA2)>=375.26>=376.51
CUDA 8.0 (8.0.44)>=367.48>=369.30
CUDA 7.5 (7.5.16)>=352.31>=353.66
CUDA 7.0 (7.0.28)>=346.46>=347.62

CUDA及cuDNN安装

官网下载CUDA11.4并安装

首先进入CUDA Toolkit 官网去下载CUDA。本机使用的是Windows 10系统,且系统是64位的,因而在官网上选择对应的安装包并下载(如下图所示)。注意尽量选择local版本,这是安装在本机并使用独显算力的,区别于network在线算力。

11.4版本是目前最新的一个工具包,大小共计2.8G,等待下载方便后续安装。
CUDA 11.4版本

我安装的时候基本都是CUDA默认选项,但网络看其他朋友安装的时候有自定义一些东西,这边给一个借鉴链接

CUDA安装完成后可以运行cmd,输入nvcc -V查看是否安装成功。

CUDA安装成功显示
可以看到,电脑的CUDA 11.4安装成功。

cuDNN下载及安装

cuDNN是用于深度神经网络的GPU加速库,在具体编写神经网络程序时会使用到。CUDA与cuDNN的关系可参见这篇文章

与安装CUDA需选择对应的版本类似,安装cuDNN时也需选择与CUDA对应的版本。

本文给出目前已知CUDA与cuDNN的版本对应关系,具体的安装包及支持情况可查询cuDNN官网。需要特别说明的一点是,cuDNN的下载需登录NVIDIA账户,如若没有可注册一个方便后续安装。

cuDNNCUDA
v8.2.111.x, 10.2
v8.2.011.x, 10.2
v8.1.111.0, 11.1, 11.2, 10.2
v8.1.011.0, 11.1,11.2, 10.2
v8.0.511.1, 11.0, 10.2, 10.1
v8.0.411.0, 10.2, 10.1
v8.0.311.0, 10.2, 10.1
v8.0.211.0, 10.2, 10.1
v8.0.1 RC211.0, 10.2
v7.6.510.2, 10.1, 10.0, 9.2, 9.0
v7.6.410.1, 10.0, 9.2, 9.0
v7.6.310.1, 10.0, 9.2, 9.0
v7.6.210.1, 10.0, 9.2, 9.0
v7.6.110.1, 10.0, 9.2, 9.0
v7.6.010.1, 10.0, 9.2, 9.0
v7.5.110.1, 10.0, 9.2, 9.0
v7.5.010.1, 10.0, 9.2, 9.0
v7.4.210.0, 9.2, 9.0
v7.4.110.0, 9.2, 9.0
v7.3.110.0, 9.2, 9.0
v7.3.010.0, 9.0
v7.2.19.2
v7.1.49.2, 9.0, 8.0
v7.1.39.1, 9.0, 8.0
v7.1.29.2, 9.1, 9.0
v7.0.59.1, 9.0, 8.0
v7.0.49.0
v6.08.0, 7.5
v5.18.0, 7.5
v58.0, 7.5
v47.0 and later
v37.0 and later
v26.5 and later
v16.5 R1

本文安装时选择的是最新的cuDNN v8.2.1版本,下载完成后需加以解压,然后将文件按对应的要求放至相应文件夹,具体文件夹的转移方法可参考这篇文章

所需替换的文件夹路径如下:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4

安装结果验证

win+R 打开 cmd 窗口,输入如下命令跳转至CUDA的安装目录下:

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.4\extras\demo_suite

然后运行deviceQuery.exe 和 bandwidthTest.exe 来查看GPU的状态,实测的结果如下:
在这里插入图片描述
可以看到,运行deviceQuery.exe显示的结果是PASS
在这里插入图片描述
同理,bandwidthTest.exe 运行也是通过的。

Python机器学习编程环境搭建

如前文所述,搭建CUDA环境是用于Python编程。我选择的框架是Facebook公司推出的Torch框架,如果选择Google公司的TensorFlow框架,需额外关注对应的编程环境,与本文搭建的情况有所不同。

Python 3.9.6安装

因为是新配的电脑,就直接选择了最新版本的Python环境进行安装。在Python安装上并无什么特别值得说明的,直接从官网下载所需要的版本即可,选择Windows系统版本进行安装。方便不太熟悉的朋友安装Python,这边给出一个安装参考链接

Torch安装

在Pytorch安装时也是需要注意版本号对应的,这边给出Pytorch的官网,上面会给出安装的版本建议。

本文选择的仍然是最新的Pytorch 1.9.0 stable版本,选择的安装方式是pip安装。
这边列出下图所示pip命令:

pip3 install torch==1.9.0+cu111 torchvision==0.10.0+cu111 torchaudio===0.9.0 -f https://download.pytorch.org/whl/torch_stable.html

在这里插入图片描述
当然,pip安装需要网络环境比较稳定,有一定的可能出错,我也是尝试了3-4次才最终安装成功。
pip安装torch 1.9.0

标签:9.0,Torch1.9,CUDA,版本,Win10,显卡,安装,CUDA11.4,9.2
来源: https://blog.csdn.net/alan1ly/article/details/118513100