目录

一、cuda安装步骤

1）cuda的安装

1、查看conda支持的cuda版本

2、下载cuda并安装cuda

2）cudnn的安装

1、查看cuda对应的cudnn版本

2、下载cudnn并安装

二、torch的安装和tensorflow的安装

1）安装tensorflow

1、确定安装版本并安装

2、验证是否可以调用gpu

2）安装torch

1、安装torch

2、测试cuda版本

---

一、cuda安装步骤

1）cuda的安装

1、查看conda支持的cuda版本

首先使用conda activate name命令把conda环境激活到目标环境。

执行以下命令后，会显示出源内所有的cuda版本，以及下载地址：

conda search cudatoolkit --info

 下面命令只显示版本：

conda search cudatoolkit

2、下载cuda并安装cuda

找到自己想要的cuda版本后，先把cuda下载到本地。首先复制url字段里的下载链接，然后用命令cd到想要下载的目录，执行如下代码下载：

wget 你刚刚复制的链接地址

执行如下命令进行安装，因为是通过本地安装的，所以需要写明本地包的路径

# 然后安装本地包
conda install --use-local 本地cuda包所在的路径

附：直接使用conda install安装

执行命令直接安装cudatoolkit包（即安装cuda，找到安装的对应版本指定安装即可）：

conda install cudatoolkit==11.8.0

2）cudnn的安装

1、查看cuda对应的cudnn版本

使用如下命令查看conda支持的cudnn版本，注意cudnn的版本一定要和刚刚下载的cuda版本对应：

conda search cudnn --info

执行后的结果如图所示，图中标出了cudnn所对应的cuda版本号位置

 下面命令只显示版本：

conda search cudnn

2、下载cudnn并安装

复制你想要版本的cudnn的下载地址，使用wget 链接地址进行下载。安装cudnn命令如下：

conda install --use-local 本地cudnn包所在的路径

或者执行命令安装cudnn包：

conda install cudnn==8.9.2.26

注意：

• 一定要先进入刚创建的环境，不然后面的操作是在默认环境base上进行
• 安装之后的 CUDA 和 cudnn 会存放在虚拟环境的 lib 文件夹 或者include 文件夹里面。如果直接通过win+r，cmd，nvcc -V命令会发现还是主机的版本。因此，不能使用nvcc -V命令测试，需要在虚拟环境中安装pytorch包进行测试

二、torch的安装和tensorflow的安装

1）安装tensorflow

1、确定安装版本并安装

通过conda search tensorflow-gpu命令查看可下载的版本：

conda search tensorflow-gpu

这里没有更新到2.10，不过没关系，我们已经知道更新到了2.16版本，所以直接执行命令安装tensorflow：

pip install tensorflow-gpu==2.10.0 -i https://pypi.douban.com/simple 

2、验证是否可以调用gpu

import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)

或者

import tensorflow as tf
version=tf.__version__  #输出tensorflow版本
gpu_ok=tf.test.is_gpu_available()  #输出gpu可否使用
print("tf version:",version,"\nuse GPU:",gpu_ok)

2）安装torch

1、安装torch

首先安装与cuda相匹配的pytorch和torchvision包，可以去pytorch官网查询。

conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia

2、测试cuda版本

import torch
print(torch.cuda.is_available())

# 查询cuda版本
print(torch.version.cuda)

# 查询cudnn版本
print(torch.backends.cudnn.version())