1. 软硬件资源
- win 11 32内存
- 显卡 RTX 2080Ti ，驱动版本号：516.59
- python 3.8.10
- torch 1.8.0 框架
- cudatoolkit 11.1
- cudnn 8.0.4
2. 查看适用cuda版本
2.1 查看本机的cuda算力
安装之前先进入官网查看自己的显卡能不能用，可以去https://developer.nvidia.com/cuda-gpus查看支持cuda的显卡，
image.png
发现自已的显卡支持算力是 7.5
2.2 查看支撑CUDA的最大版本
nvidia-smi
image.png
如红色标记，,本机配置最大版本可以安装到11.7，所以CUDA version11.7以下都可以安装。
2.3 CUDA驱动和CUDA Toolkit对应版本
表一：CUDA驱动及CUDA Toolkit最高对应版本
image.png
最新可查阅官方文档
注：驱动是向下兼容的，其决定了可安装的CUDA Toolkit的最高版本。
cuDNN与CUDA
官网：https://developer.nvidia.com/rdp/cudnn-archive
| cuDNN | CUDA |
|---|---|
| 8.1.0 | 11.2、11.1、11.0、10.2 |
| 8.0.5 | 11.1、11.0、10.2、10.1 |
| 8.0.4 | 11.1、11.0、10.2、10.1 |
| 8.0.3 | 11.0、10.2、10.1 |
| 8.0.2 | 11.0、10.2、10.1 |
| 8.0.1 | 11.0、10.2 |
| 7.6.5 | 10.2、10.1、10.0、9.2、9.0 |
| 7.6.4 | 10.1、10.0、9.2、9.0 |
| 7.6.3 | 10.1、10.0、9.2、9.0 |
| 7.6.2 | 10.1、10.0、9.2、9.0 |
| 7.6.1 | 10.1、10.0、9.2、9.0 |
| 7.6.0 | 10.1、10.0、9.2、9.0 |
| 7.5.1 | 10.1、10.0、9.2、9.0 |
| 7.5.0 | 10.1、10.0、9.2、9.0 |
| 7.4.2 | 10.0、9.2、9.0 |
| 7.4.1 | 10.0、9.2、9.0 |
| 7.4.0 | 10.0、9.2、9.0 |
| 7.3.0 | 10.0、9.0 |
| 7.2.1 | 9.2 |
2.4 CUDA Toolkit版本与PyTorch对应版本
表二：CUDA Toolkit版本及可用PyTorch对应关系（参考官网）
| CUDAToolkit版本 | 可用PyTorch版本 |
|---|---|
| 7.5 | 0.4.1 ，0.3.0， 0.2.0，0.1.12-0.1.6 |
| 8.0 | 1.1.0，1.0.0 ，0.4.1 |
| 9.0 | 1.1.0，1.0.1, 1.0.0，0.4.1 |
| 9.2 | 1.7.1，1.7.0，1.6.0，1.5.1，1.5.0，1.4.0，1.2.0，0.4.1 |
| 10.0 | 1.2.0，1.1.0，1.0.1 ,1.0.0 |
| 10.1 | 1.7.1，1.7.0，1.6.0，1.5.1，1.5.0， 1.4.0，1.3.0 |
| 10.2 | 1.7.1，1.7.0，1.6.0，1.5.1，1.5.0 |
| 11.0 | 1.7.1，1.7.0 |
| 11.1 | 1.8.0，1.8.1，1.9.0，1.9.1，1.10.0，1.10.1 |
注：虽有的卡驱动更新至较新版本，且CUDA Toolkit及PyTorch也可对应更新至新版本。但有的对应安装包无法使用，有可能是由于卡太旧的原因。
2.5 选定版本
选择：本次决定安装 version 11.1。
3. cuda安装
3.1 cuda和cudnn下载
3.1.1 cuda下载
在nvidia官网下载cuda版本11.1.1，并安装
地址为https://developer.nvidia.com/cuda-toolkit-archive。建议采用runfile（local）方式下载安装。
image.png
[图片上传失败...(image-db05d0-1657798556437)]
3.1.2 cudnn下载
从nvidia官网下载cudnn8.0
https://developer.nvidia.com/rdp/cudnn-archive
3.2 cuda安装
安装exe软件包，下一步，走起！
1. 先安装VS2019（很重要）
2. cuda的驱动也要安装，我这里提前安装好啦
安装具体也可参考cuda和VS的安装
下载完打开安装程序，安装路径选择自定义，自定义选项，选择cuda 打勾，然后一路下一步安装完成
安装cuda时，只选中CUDA（但是里面有一个VS没有选择，其余都选择啦），其余未选中，然后默认安装。
安装完成后出现一些log信息，这些信息不影响，毕竟我已经提前安装VS2019啦。
Installed:
- Nsight for Visual Studio 2019
- Nsight Monitor
Not Installed:
- Nsight for Visual Studio 2017
Reason: VS2017 was not found
- Nsight for Visual Studio 2015
Reason: VS2015 was not found
- Integrated Graphics Frame Debugger and Profiler
Reason: see https://developer.nvidia.com/nsight-vstools
- Integrated CUDA Profilers
Reason: see https://developer.nvidia.com/nsight-vstools
3.3 配置环境变量
根据上面的步骤，安装完后，去配置环境变量，发现环境配置自动完成啦，如果没有配置完成，请自我配置即可。
检查图中有两个环境变量
image.png
配置 Path
image.png
3.4 cuda - 验证安装
如下所示，表示 cuda安装成功
image.png
3.5 cudnn神经网络加速库安装
image.png
把下载的cudnn解压出来，cuda目录里文件（bin，include，lib，NVIDIA_SLA_cuDNN_Support.txt）拷贝到文件内（.\CUDA\v11.1）
添加cuda11.1的lib库环境变量，复制这个路径(C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1\lib\x64)到环境变量里
image.png
结果如上面3.3 配置环境变量那一块。
至些cuda,cudnn配置完成
4. pytorch 1.8.0 安装
由于以前安装过CPU版本的pytorch，先卸载，后安装GPU版本的torch
PyTorch官网信息：
Linux and Windows
# RocM 4.0.1 (Linux only)
pip install torch -f https://download.pytorch.org/whl/rocm4.0.1/torch_stable.html
pip install ninja
pip install 'git+https://github.com/pytorch/vision.git@v0.9.0'
# CUDA 11.1 - 采用这个
pip install torch==1.8.0+cu111 torchvision==0.9.0+cu111 torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html
# CUDA 10.2
pip install torch==1.8.0 torchvision==0.9.0 torchaudio==0.8.0
# CPU only
pip install torch==1.8.0+cpu torchvision==0.9.0+cpu torchaudio==0.8.0 -f https://download.pytorch.org/whl/torch_stable.html
image.png
验证
安装后，使用代码验证是否能调用
import torch
print(torch.__version__ )# 查看pytorch版本
print(torch.cuda.is_available()) # 判断pytorch是否支持GPU加速
print(torch.version.cuda) # 查看CUDA版本
print(torch.backends.cudnn.version()) # 查看cuDNN版本
print(torch.cuda.get_device_name()) # 查看显卡类型，设备索引默认从0开始
结果如下：
image.png
如果输出为True则表示GPU版本的pytorch安装成功！终于成功啦。
5. tensorflow-gpu 安装
image.png
上表没有涵盖cuda11.1
有的人说：cuda11.1 适配 tensorflow-gpu 2.5.0 keras 2.4.3
tensorflow-gpu 2.6.0
tensorflow 2.5.1
5.1 查看CPU/ GPU信息
- 安装 tensorflow-gpu 2.5.0
输入以下命令:
import os
from tensorflow.python.client import device_lib
os.environ["TF_CPP_MIN_LOG_LEVEL"] = "99"
if __name__ == "__main__":
print(device_lib.list_local_devices())
或者：
from tensorflow.python.client import device_lib
print(device_lib.list_local_devices())
可以看到：
可以使用的是: "/device:CPU:0"******,********"/device:GPU:0"**
5.2 测试GPU调用
安装完毕之后：
python
import tensorflow as tf
print(tf.test.is_gpu_available())
如果输出为True则表示GPU版本的tensorflow安装成功，附上成功截图一张。
网友评论