目录

1. 配置cuda环境

1.1. 安装cuda和cudnn

1.1.1. 显卡驱动配置

1.1.2. 下载安装cuda

1.1.3. 下载cudnn，将解压后文件复制到cuda目录下

1.2. 验证是否安装成功

2. 配置conda环境

2.1. 安装anaconda

2.2. conda换源

2.3. 创建conda环境

2.4. pip换源

3. 配置深度学习框架

3.1. PyTorch

3.2. Tensorflow

---

1. 配置cuda环境

1.1. 安装cuda和cudnn

1.1.1. 显卡驱动配置

• 保证电脑有独显且为N卡，只有nvidia显卡才能使用cuda
• cuda版本与显卡驱动版本有关（官网）

• 在命令行输入以下命令可以查看当前显卡驱动版本和最高支持的cuda版本：

nvidia-smi

• 一般将显卡驱动更新到最新，这样将支持所有的cuda版本。更新显卡驱动可以安装Nvidia官方的GeForce Experience，要注册账号并登录，可以使用邮箱但要通过邮件验证。

1.1.2. 下载安装cuda

• cuda版本的选择还与深度学习框架的版本有关，cuda版本不能过高，否则深度学习框架可能不支持，不过cuda中版本号向下兼容，比如cuda11.2可以当cuda11.1使用。
  • Tensorflow（官网）

• • PyTorch（官网）
    • torch版本与cuda、python版本没有严格的对应关系，只有大致的限制，python版本的选择一般为security的最低版本（Python维护周期查询），cuda版本一般不选最高，选tensorflow最新支持的版本，这样可以同时使用，不过同一电脑可以安装多个不同版本的cuda，使用时只要修改环境变量中的CUDA_PATH为需要选择的cuda版本所在路径。
    • 注意选择GPU版本torch（版本名中有“+cuXXX”，XXX表示cuda版本），示例如下：

• 确定下载哪个cuda版本后，去官网下载，选择小版本号最大的，比如11.2.x选择11.2.2，win11选择win10，运行下载好的安装程序，选择典型安装一路同意即可，中途遇到要安装Visual Studio可以不用管，因为这是nvidia推荐用它来开发C++和cuda程序。

1.1.3. 下载cudnn，将解压后文件复制到cuda目录下

下载cudnn需要登陆nvidia账号，也要邮件验证，下载链接，根据cuda版本选择，下载解压后将cudnn-windows-x86_64-xxxx_cudaxx-archive目录下的所有目录和文件复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vXXX目录下。

1.2. 验证是否安装成功

可以通过以下命令查看当前正在使用的cuda版本：

nvcc -V

2. 配置conda环境

2.1. 安装anaconda

可以去官网，如果速度太慢可以选择清华镜像，选择最新版本，运行安装程序，选择默认编辑器，一路下一步即可。

2.2. conda换源

conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/msys2/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/conda-forge
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/free/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/
conda config --add channels https://mirrors.tuna.tsinghua.edu.cn/anaconda/pkgs/main/
conda config --set show_channel_urls yes

2.3. 创建conda环境

在开始菜单找到Anaconda Prompt，点击运行，输入以下命令创建conda环境，python版本根据之前的版本对照选择，一般 为security的最低版本（Python维护周期查询）：

conda create -n conda环境名 python=3.x -y

激活conda环境

conda activate conda环境名

2.4. pip换源

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

3. 配置深度学习框架

3.1. PyTorch

• 根据之前的选择，直接在Anaconda Prompt相应conda虚拟环境下，执行类似以下命令：

pip install torch==x.x.x+cuXXX -f https://download.pytorch.org/whl/cuXXX

• 测试pytorch是否可以使用cuda调用GPU

        运行python，按序执行以下命令：

>>> import torch
>>> torch.cuda.is_available()
True
>>> torch.cuda.get_device_name(0)
'NVIDIA GeForce GTX 1060'

• 可能出现报错说numpy没装，执行以下命令可以解决：

pip install torch==x.x.x+cuXXX numpy

3.2. Tensorflow

• 据之前的选择，直接在Anaconda Prompt相应conda虚拟环境下，执行类似以下命令：

pip install tensorflow-gpu==2.x.x

• 测试tensorflow是否可以使用cuda调用GPU

        运行python，按序执行以下命令：

>>> import tensorflow as tf
>>> tf.config.list_physical_devices('GPU')
[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]
>>> tf.test.gpu_device_name()
2023-11-28 21:55:22.331757: I tensorflow/core/platform/cpu_feature_guard.cc:142] This TensorFlow binary is optimized with oneAPI Deep Neural Network Library (oneDNN) to use the following CPU instructions in performance-critical operations:  AVX AVX2
To enable them in other operations, rebuild TensorFlow with the appropriate compiler flags.
2023-11-28 21:55:23.819451: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1510] Created device /device:GPU:0 with 4620 MB memory:  -> device: 0, name: NVIDIA GeForce GTX 1060, pci bus id: 0000:01:00.0, compute capability: 6.1
'/device:GPU:0'