Win10 GPU运算环境搭建(CUDA10.0+Cudnn 7.6.5+pytroch1.2+t

编辑: admin 分类: python 发布时间: 2021-12-04 来源:互联网
目录
  • 一、深度学习为什么要搭建GPU运算环境？
    • 什么是CUDA？
    • 什么是Cudnn?
  • 二、搭建GPU运算环境
    • CUDA的下载
    • Cudnn的下载
  • 三、Ananconda3的安装
    • 什么是Anaconda？
    • 下载Anaconda3
  • 四、Anaconda虚拟环境的搭建
    •  什么是虚拟环境？
    • 虚拟环境的相关操作
  • 五、选择要搭建的深度学习框架
    •  Pytorch的安装
    • 检查环境和GPU运算是否搭建成功
    • Tensorflow的安装
  • 五、心得和一些建议

    一、深度学习为什么要搭建GPU运算环境？

    熟悉深度学习的人都知道，深度学习是需要训练的，所谓的训练就是在成千上万个变量中寻找最佳值的计算，所需计算的数据量异常庞大。CPU是一个有多种功能的优秀领导者。它的优点在于调度、管理、协调能力强，计算能力则位于其次。CPU的运算在遇到大体量的数据时就会耗费大量时间，而GPU相当于一个接受CPU调度的“拥有大量计算能力”的员工，用GPU运算则可以大大加快深度学习运算速度，从而减少科研的时间成本。

    什么是CUDA？

    CUDA（Compute Unified Device Architecture）是显卡厂商NVIDIA推出的运算平台。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。

    什么是Cudnn?

    将CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，这样才能使GPU进行高速的深度神经网络的工作。

    二、搭建GPU运算环境

    检查自己的显卡型号，选择适合的CUDA和CUDNN
    如图打开NVIDIA控制面板–>系统信息–>找到NVCUDA.DLL

    在这里插入图片描述

    可以看到NVCUDA.DLL 后面产品名称那一列写着NVIDIA CUDA 10.2.95 driver，说明我的显卡支持CUDA10.2及以下版本。

    CUDA的下载

    这里我选择了CUDA 10.0版本，因为相较于最新版CUDA 10.2，版本稍低一点会相对稳定点吧!进入NVIDIA官网下载CUDA然后安装可以了。

    下图根据提示选择好自己的系统,系统架构，系统版本，下载方式，点击下载的CUDA是最新的！想要下载历史版本的话，需要自己去找，具体百度即可。

    在这里插入图片描述

    最后进入命令窗口输入：nvcc -V查看安装是否成功。下图就是成功安装的样子。

    在这里插入图片描述

    Cudnn的下载

    进入Cudnn界面–>点击Download cuDNN
    这里网站会要求你注册一个英伟达账号，注册了就会跳转去下载页面，最后根据自己安装的CUDA版本选择Cudnn版本就好。我用的是Cudnn 7.6.5。

    在这里插入图片描述

    下载解压后，把CuDNN目录里面的bin, include, lib里面的文件覆盖放入CUDA目录下对应的bin,include,lib里面（注意是复制文件，而不是文件夹）。

    在这里插入图片描述

    在这里插入图片描述

    至此GPU运算环境就算搭建完成了！

    三、Ananconda3的安装

    在这里插入图片描述

    什么是Anaconda？

    Anaconda指的是一个开源的Python发行版本，其包含了conda、Python等180多个科学包及其依赖项。

    Conda是一个开源的包、环境管理器，可以用于在同一个机器上安装不同版本的软件包及其依赖，并能够在不同的环境之间切换。

    下载Anaconda3

    根据电脑系统和python版本选择下载文件，按照安装程序的指示进行安装就好了。

    在这里插入图片描述

    四、Anaconda虚拟环境的搭建

     什么是虚拟环境？

    虚拟环境无非就是将系统的Python运行环境copy到一个指定的文件夹下，这个文件夹里的内容就是所谓的虚拟环境。你可以在这个copy出来的环境做实验(写你的Python代码)而不用担心影响到其它的项目。也就是说每个虚拟环境都是独立的相互隔离的。

    在这里插入图片描述

    不同项目所需要的框架和python包甚至是框架和包的版本都各不相同，所以为每个项目搭建特定的虚拟环境是非常有必要的，要养成这个好习惯！

    虚拟环境的相关操作

    使用conda create -n your_env_name python=X.X（2.7、3.6等)命令创建python版本为X.X、名字为your_env_name的虚拟环境。
    进入虚拟环境：conda activate your_env_name(虚拟环境名称)

    在这里插入图片描述

    对虚拟环境中安装额外的包：conda install -n your_env_name [package]
    退出虚拟环境：deactivate

    五、选择要搭建的深度学习框架

     Pytorch的安装

    进入pytorch官网，选择自己的操作系统、编程语言、CUDA版本，最后红圈部位会出现一行命令，复制到命令窗口就可以下载了。

    在这里插入图片描述

    但是！这种方法灵活性很低，我安装的是CUDA 10，上图Package里没有这个选项怎么办？还有PyTorch的版本在国内下载是非常非常非常慢的，而且近期清华与科大的镜像都被封了，就导致了直接使用PyTorch官网推荐的语句很难安装。

    解决办法是：下载安装包到本地 。
    建议大家在Package一项中选择“pip”安装，然后在“Run this Command”这一栏，直接复制代码中的两个网址，就可以下载到本地来进行安装了。

    检查环境和GPU运算是否搭建成功

    我上网了解很多人使用pytorch 1.2版本，所以没有下载最新的1.5。

    import torch
print("hello pytorch {}".format(torch.__version__))
device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")

    在这里插入图片描述

    Tensorflow的安装

    在这里插入图片描述

    TensorFlow是基于VC++2015开发的，所以需要下载安装VisualC++ Redistributable for Visual Studio 2015 来获取MSVCP140.DLL的支持。

    我这里下载了Visual Studio 2017。
    然后就是好习惯时刻——创建一个虚拟环境，进入其中执行下载语句conda install tensorflow安装就可以了！我用的是 Tensorflow 1.14.0。

    五、心得和一些建议

    整个深度学习环境的搭建过程是挺磨人的，我期间参考了许多博客和视频。由于版本问题不匹配而导致环境搭好了又要推倒重来，不断地踩坑排坑，还好结果是好的。
    给一些建议：

    • 在搭建GPU环境前，要了解自己的显卡支持的CUDA版本，并且cudnn要和CUDA版本匹配。
    • 无论是CUDA还是深度学习框架，尽量避免使用最新版，版本稍微低一点点就够了，因为出了问题能找到很多同版本使用者的解决方案。
    • 国内下载python包有时会很慢甚至报一些连接失败的错误，换个下载方式就好了。
    • 多利用虚拟环境，避免各个环境间的污染。
    • 搭建好环境后，去跑一个中等大小的图像数据集代码吧！然后去看看你的GPU利用率是否变得很高，验证环境确实是搭建成功了。

    本文所涉及到的版本配置

    • Window 10 + RTX 2060
    • CUDA10.0+Cudnn 7.6.5
    • Pytorch 1.2.0 +Python 3.6.5
    • Tensorflow 1.14.0+Visual Studio 2017+python 3.7.3

    到此这篇关于Win10 GPU运算环境搭建(CUDA10.0+Cudnn 7.6.5+pytroch1.2+tensorflow 1.14.0)的文章就介绍到这了,更多相关Win10 GPU运算环境搭建内容请搜索hwidc以前的文章或继续浏览下面的相关文章希望大家以后多多支持hwidc！

    【本文由：日本服务器 欢迎转载】
    更多阅读