使用Anaconda在虚拟环境中安装CUDA&CUDNN

前言:

使用tensorflow或者pytorch必须先安装cuda&cudnn。一般是查看当前NVDIA支持的CUDA版本，然后选择对应的CUDA&CUDNN版本号，下载CUDA&CUDNN安装包进行本地安装。但是这样会存在一个问题：如果更换tensorflow的版本，将导致CUDA版本不支持的问题。

为此，本文提出使用Anaconda虚拟环境安装CUDA&CUDNN，然后再安装pytorch或者tensorflow的GPU版本，从而做到一个pytorch或者tensorflow的GPU版本对应一个cuda&cudnn版本，减少在本机上重复安装CUDA环境的次数。

安装提示：

• 必须先在虚拟环境中安装CUDA，再安装pytorch/Tensorflow。否则会报错误。

• tensorflow的版本与cuda&cudnn的版本严格对应。否则会报未知错误。

TensorflowGPU版本对应的安装教程

注：当前以2.3.1为例，进行安装GPU版本tensorflow

step1：查找对应版本关系

Tensorflow GPU版本与cuDNN&CUDA对应关系

https://tensorflow.google.cn/install/source#tested_build_configurations

Linux/Windows系统

MAC OS:

step2：使用conda安装tensorflow2.3.1GPU版本

创建一个新的环境，使用conda安装cuda&cudnn。

使用conda安装cuda&cudnn，是在虚拟环境中安装的

注意:tensorflow2.3.1与cuda10.1&cudnn7.6.5版本必须严格对照。否则将会报未知错误。

# 创建一个env_name的虚拟环境
conda create -n env_name python=3.8
# 在当前虚拟环境中安装CUDA cuDNN
# 这里的cudatoolkit就是cuda
conda install cudatoolkit=10.1 cudnn=7.6.5
# 安装tensorflow gpu
pip install tensorflow-gpu==2.3.1 -i https://pypi.mirrors.ustc.edu.cn/simple/

就三行代码，即可将tensorflow-gpu 2.3.1版本的安装成功

step3：安装完成后，可以运行以下测试代码。测试下gpu速度。

# 测试
import tensorflow as tf
tf.test.is_gpu_available()

mnist = tf.keras.datasets.mnist

(x_train, y_train), (x_test, y_test) = mnist.load_data()

x_train, x_test = x_train / 255.0, x_test / 255.0

model = tf.keras.models.Sequential([
    tf.keras.layers.Flatten(input_shape=(28,28)),
    tf.keras.layers.Dense(512, activation=tf.nn.relu),
    tf.keras.layers.Dropout(0.2),
    tf.keras.layers.Dense(10, activation=tf.nn.softmax)
    ])

model.compile(optimizer='adam', loss='sparse_categorical_crossentropy', metrics=['accuracy'])

model.fit(x_train, y_train, epochs=10)

作者笔记本GTX 1650显卡的速度。

–

————————————————

Pytorch GPU版本对应的安装教程

step1：查看本机支持的CUDA版本

查看主机支持的CUDA版本

打开NVIDIA控制面板-帮助-系统信息-组件。红圈中即CUDA支持的版本号:11.1.114

step2：创建虚拟环境安装CUDA&CUDNN

# 创建一个env_name的虚拟环境
conda create -n env_name python=3.8
# 在当前虚拟环境中安装CUDA cuDNN
# 这里的cudatoolkit就是cuda
conda install cudatoolkit=10.1 cudnn=7.6.5

step3：去Pytorch官网查看对应的安装版本

打开官网(https://pytorch.org/) - 点击install - 选择对应的环境 - 查看推荐安装的Pytorch综合包。

这里选择Stable(1.8.1),Windows,Pip,Python,CUDA 11.1。然后系统给出了安装命令:

pip install torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio===0.8.1 -f https://download.pytorch.org/whl/torch_stable.html

<span style=color:red>如果可以直接输入这个命令安装，则直接跳到step7</span>。

安装CUDA别的版本

打开下面这个网址，找到CUDA与pytorch对应的版本号，以及对应的安装命令。

https://pytorch.org/get-started/previous-versions/

例如pytorch1.7.1版本

srep4：安装Pytorch离线包

下载pytorch官网给出的命令torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio===0.8.1对应的离线包版本，进行安装。

step5：找到离线包并下载

打开Pytorch本地安装环境包的路径地址(https://download.pytorch.org/whl/torch_stable.html) - 找到torch==1.8.1+cu111 torchvision==0.9.1+cu111 torchaudio===0.8.1三个包对应的CUDA11.1版本、本机Python版本进行安装。这里cp36、cp37分别代表python3.6、python3.7

1.用迅雷下载会快很多。

2.用迅雷下载会改变名字。出现乱码。可能需要找到原文件名，进行重命名。这里直接重命名了。

step6：在目标环境中安装离线包

打开cmd，切换到离线包的路径，运行下面命令

pip install 离线包名字.whl

即可安装成功

step7：安装完成后，可以运行以下命令，查看是否安装成功

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')	# 自动判断CUDA是否可以使用
# 调用方法
.to(device)		# 将数据、模型、在GPU中使用的函数/方法导入到GPU中
# 或者在初始化pytorch张量,令device=device.
torch.zeros((shape), device=device)

这里偷个懒，就不贴代码了。你自己找个可以在CPU上运行的程序，然后添加上述代码块，之后将所有的数据、模型、在GPU中使用的函数/方法使用.to(device)导入到GPU内存中运行测试即可。

备注：pytorch使用GPU运行程序

使用说明:将数据、模型、在GPU中使用的函数都导入进GPU的内存中

————————————————-

• Previous
  Python100例
• Next
  B站Python学习视频资源