【Win10环境】深度学习之CUDA与CUDNN详细安装教程

た入场券 2022-03-16 06:04 271阅读 0赞

### **引言** ###

深度神经网络是一种目前被广泛使用的工具，可以用于图像识别、分类，物体检测，机器翻译等等。深度学习（DeepLearning）是一种学习神经网络各种参数的方法。因此，我们将要介绍的深度学习，指的是构建神经网络结构，并且运用各种深度学习算法训练网络参数，进而解决各种任务。本文从PyTorch环境配置开始。PyTorch是一种Python接口的深度学习框架，使用灵活，学习方便。还有其他主流的深度学习框架，例如Caffe，TensorFlow，CNTK等等，各有千秋。

**个人认为，初期学习还是选择一种入门，不要期望全都学会。须知，发力集中才能深入挖掘，乱花渐欲迷人眼，选择适合自己的，从一而终，相信会对科研大有裨益!**

### 概念介绍 ###

cuda：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][Link 1]架构，该架构使[GPU][]能够解决复杂的计算问题。【硬件需求：GTX级独立图像显卡，注：这里安装的主要指**CUDA驱动**】

cudnn：NVIDIA cuDNN是用于**深度神经网络**的**GPU加速库**。它强调性能、易用性和低内存开销。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如加州大学伯克利分校的流行CAFFE软件。简单的，插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是调整性能，同时还可以在GPU上实现高性能现代并行计算。

### 安装教程 ###

cuda下载地址:[https://developer.nvidia.com/cuda-downloads?target\_os=Windows&target\_arch=x86\_64&target\_version=81&target\_type=exelocal][https_developer.nvidia.com_cuda-downloads_target_os_Windows_target_arch_x86_64_target_version_81_target_type_exelocal]

cudnn下载地址:[https://developer.nvidia.com/cudnn][https_developer.nvidia.com_cudnn]

**cuda安装步骤**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FuZG9uZV9oc3g_size_16_color_FFFFFF_t_70][]

cuda下载成功

![20190226195659827.png][]

【双击】运行cuda安装程序，具体步骤如下：

注：安装时首先提示的路径感觉不重要，因为安装完后就自动消失了，可以默认也可以自己选择路径。

安装时选择自定义安装

第一次使用默认安装时失败，看了很多教程建议自定义安装，且不勾选Visual Studio Integration

![70][]

点击下一步，进入模块安装路径选择界面，可以选择默认，如下图所示：

![70 1][]

点击下一步

如果安装完后没有报错，并且C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v8.0和C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0目录路径都存在的话，可进行下一步设置环境变量。

但是本人安装完没有出现C:\\ProgramData（此文件夹是隐藏的，不要误认为没安装，可以选择显示隐藏文件查看！）

**cuda配置环境变量**

在系统变量中添加以下变量（与Path同级位置）

CUDA\_PATH = C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v9.1

CUDA\_SDK\_PATH = C:\\ProgramData\\NVIDIA Corporation\\CUDA Samples\\v9.0

CUDA\_LIB\_PATH = %CUDA\_PATH%\\lib\\x64

CUDA\_BIN\_PATH = %CUDA\_PATH%\\bin

CUDA\_SDK\_BIN\_PATH = %CUDA\_SDK\_PATH%\\bin\\win64

CUDA\_SDK\_LIB\_PATH = %CUDA\_SDK\_PATH%\\common\\lib\\x64

**进入cmd测试是否配置成功**

set cuda

![20190226194454629.png][]

进入cuda安装路径：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v8.0\\extras\\demo\_suite

![20190226194648653.png][]

同样用cmd，分别输入deviceQuery.exe 和 bandwidthTest.exe，若都显示 Rsult=PASS 则说明通过，否则需要重新安装。  
![20190226194756442.png][]

![2019022619483660.png][]

deviceQuery.exe 测试通过显示：

![20190226195009293.png][]

bandwidthTest.exe测试通过显示：

![20190226195046883.png][]

以上都没问题的话，则CUDA8.0安装成功。

**cudnn安装步骤**

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FuZG9uZV9oc3g_size_16_color_FFFFFF_t_70 1][]

通过官网下载并解压CUDNN压缩包后，如下图所示：

![20190226195508455.png][]

打开压缩包，依次将压缩包中的3个文件复制到相应位置

1.    cudnn-8.0-windows10-x64-v6.0\\cuda\\bin\\cudnn64\_7.dll —> C:\\Program Files\\NVIDIA GPUComputing   
Toolkit\\CUDA\\v9.1\\bin

2.   cudnn-8.0-windows10-x64-v6.0\\cuda\\include\\cudnn.h —> C:\\Program Files\\NVIDIA GPUComputing   
Toolkit\\CUDA\\v9.1\\include

3.    cudnn-8.0-windows10-x64-v6.0\\cuda\\lib\\x64\\cudnn.lib —> C:\\Program Files\\NVIDIA GPUComputing   
Toolkit\\CUDA\\v9.1\\lib\\x64

**注意：** 一定要安装cudnn，不然无法进行卷积操作

相关博文：

[Win10环境下安装PyTorch GPU版【CUDA8.0+CUDNN8.0】 ][Win10_PyTorch GPU_CUDA8.0_CUDNN8.0]

[Anaconda创建虚拟环境][Anaconda]

[NVIDIA]: https://baike.baidu.com/item/NVIDIA
[Link 1]: https://baike.baidu.com/item/%E5%B9%B6%E8%A1%8C%E8%AE%A1%E7%AE%97/113443
[GPU]: https://baike.baidu.com/item/GPU
[https_developer.nvidia.com_cuda-downloads_target_os_Windows_target_arch_x86_64_target_version_81_target_type_exelocal]: https://developer.nvidia.com/cuda-downloads?target_os=Windows&target_arch=x86_64&target_version=81&target_type=exelocal
[https_developer.nvidia.com_cudnn]: https://developer.nvidia.com/cudnn
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FuZG9uZV9oc3g_size_16_color_FFFFFF_t_70]: /images/20220316/1a69aaa769d7435485e291ff5beba7c5.png
[20190226195659827.png]: /images/20220316/c698bcde2ea74d3d9a72ca9cff9b3df9.png
[70]: /images/20220316/e807a32fed7946569b904690466049a8.png
[70 1]: /images/20220316/29309612b8334e53a71f26b37cc23001.png
[20190226194454629.png]: /images/20220316/8b4db1904fee4c46bc4aef9802a0c139.png
[20190226194648653.png]: /images/20220316/0b1cb30f5f00482080027bbf14694cc6.png
[20190226194756442.png]: /images/20220316/98f7560587a444a686356288ce39901c.png
[2019022619483660.png]: /images/20220316/1581e21580ac41c88e7f02979fc87602.png
[20190226195009293.png]: /images/20220316/8bf82059bdd64b27987a7be3e072d469.png
[20190226195046883.png]: /images/20220316/b0aea5e0ceda44c1866be44a32e07c3c.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L0FuZG9uZV9oc3g_size_16_color_FFFFFF_t_70 1]: /images/20220316/477f2a34935d43ce9b8e75ecdaeabb43.png
[20190226195508455.png]: /images/20220316/4d23867bde5b42c2a92fb22240929d50.png
[Win10_PyTorch GPU_CUDA8.0_CUDNN8.0]: https://blog.csdn.net/Andone_hsx/article/details/87946183
[Anaconda]: https://blog.csdn.net/Andone_hsx/article/details/87948764