[work] cuda和cudnn版本对应的

迈不过友情╰ 2022-04-11 04:23 434阅读 0赞

**首先说明一下cuda和cuDNN的概念**

**CUDA**的官方文档（参考资料1）是这么介绍CUDA的：**a general purpose parallel computing platform and programming model that leverages the parallel compute engine in NVIDIA GPUs to solve many complex computational problems in a more efficient way than on a CPU.**  
换句话说CUDA是NVIDIA推出的用于自家GPU的**并行计算**框架，也就是说CUDA只能在NVIDIA的GPU上运行，**而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。**

接下来这段话摘抄自资料2。**在 CUDA 的架构下，一个程序分为两个部份：host 端和 device 端。Host 端是指在 CPU 上执行的部份，而 device 端则是在显示芯片上执行的部份。Device 端的程序又称为 “kernel”。通常 host 端程序会将数据准备好后，复制到显卡的内存中，再由显示芯片执行 device 端程序，完成后再由 host 端程序将结果从显卡的内存中取回。**

![这里写图片描述][SouthEast]

接下来这段话摘抄自资料2。在 CUDA 架构下，显示芯片执行时的最小单位是thread。数个 thread 可以组成一个block。一个 block 中的 thread 能存取同一块共享的内存，而且可以快速进行同步的动作。每一个 block 所能包含的 thread 数目是有限的。不过，**执行相同程序的 block，可以组成grid。**不同 block 中的 thread 无法存取同一个共享的内存，因此无法直接互通或进行同步。因此，不同 block 中的 thread 能合作的程度是比较低的。不过，利用这个模式，可以让程序不用担心显示芯片实际上能同时执行的 thread 数目限制。例如，一个具有很少量执行单元的显示芯片，可能会把各个 block 中的 thread 顺序执行，而非同时执行。**不同的 grid 则可以执行不同的程序（即 kernel）。**

![这里写图片描述][SouthEast 1]

\----------------------------------------------------------------------------------------

**这里说明服务器对应的cuda和cudnn版本。**

cuda一般安装在 /usr/local/cuda/ 路径下，该路径下有一个version.txt文档，里面记录了cuda的版本信息

cat /usr/local/cuda/version.txt

同理，cudnn的信息在其头文件里

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

![70][]

所以这里是CUDA9.0.176 和cudnn7.0.5。

\----------------------------------------------------------------------------------------

最近跑一个项目，安装了tensorflow\_gpu==1.3.0的版本，但是运行的时候总是报错误。

内容如：ImportError: libcusolver.so.8.0: cannot open shared object file: No such file or directory

最初我想到的是可能在我的环境变量当中没有做出相应的配置，因此我做出了如下的配置。

1.  `$ vim ~/.bashrc`
2.  `$ export LD_LIBRARY_PATH=”$LD_LIBRARY_PATH:/usr/local/cuda/lib64” #添加该行`
3.  `$ export CUDA_HOME=/usr/local/cuda #添加该行`
4.  `$ source ~/.bashrc #添加结束后执行，使得配置生效`
5.

接着我依然尝试了下虚拟环境下tensorflow的导入，依然是上面的错误，既然找不到libcusolver.so.8.0，我们就去看看到底有没有。

所以执行命令：

$ ls /usr/local/cuda/lib64/

![70 1][]

是真的就没有该文件，这个时候我想到两种办法，第一种是在cuda和cudnn上改动，第二种办法就是更换tensorflow的版本。

实际上，2017.12的时候，tensorflow 1.4及以下的不支持cuda9.0，且tensorflow1.0版本以上是不支持cuda8.0以下的。tensorflow-gpu1.5以后不支持使用CUDA8.0。cuda8.0对应的cuDNN必须是6.0版的。由于前面我安装的tensorflow是1.3.0，所以很明显就不能用啦。

第一种变动很容易入坑，所以优先选择第二种。

还是要进入该项目的虚拟环境中执行操作，卸载tensorflow\_gpu==1.3.0并安装tensorflow\_gpu==1.5.0

$ pip uninstall tensorflow-gpu==1.3.0$ pip install tensorflow-gpu==1.5.0

接着当我们在虚拟环境中使用tensorflow就正常了,最后附上官网推荐对应版本，这里是官网版本链接[https://www.tensorflow.org/install/install\_sources\#tested\_source\_configurations][https_www.tensorflow.org_install_install_sources_tested_source_configurations]。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70 1][]![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70 2][]

[SouthEast]: /images/20220411/2481190c34ce4be0b1ee5d8ce398f446.png
[SouthEast 1]: /images/20220411/8c9b221707e34fb296ab5933a09f0315.png
[70]: /images/20220411/ba50b6253de4409e8794bbc270daa336.png
[70 1]: /images/20220411/a07e44d6610d4da597c37daf55c43e17.png
[https_www.tensorflow.org_install_install_sources_tested_source_configurations]: https://www.tensorflow.org/install/install_sources#tested_source_configurations
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70]: /images/20220411/0c0973e2d70a4684a8e6af935b9ca641.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20181026170503317.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy,size_27,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3llbGVyMDgy_size_27_color_FFFFFF_t_70 2]: /images/20220411/b8d47f3db83845859c4def308822c6f4.png