[人工智能] 【Python】Win10 Nvidia GPU 、tensorflow深度学习环境

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> 【Python】Win10 Nvidia GPU 、tensorflow深度学习环境 -> 正文阅读

[人工智能]【Python】Win10 Nvidia GPU 、tensorflow深度学习环境

文章目录

随着人工智能的发展，越来越多人都想往人工智能方向发展，可是人工智能环境配置对于小白来说非常发展恶心，之前我学习时也吃了不少亏，百度搜索各种操作指南参之不齐，很多都是直接了。这里我亲自操作（把俺电脑那些显卡驱动都删了重新演示一遍给小白）

1流程步骤

在这里插入图片描述

2详细

安装之前先说明一下几个概念：
1、显卡驱动、CUDA、cudnn之间的关系
显卡驱动：是封装成软件的程序，硬件厂商根据操作系统编写的配置文件。安装成功后成为了操作系统中的一小块代码，它是硬件所对应的软件，有了它，计算机就可以与显卡进行通信，驱使其工作。如果没有显卡驱动，显卡就无法工作。

cuda:其是由NVIDIA发明的并行计算平台以及编程模型，它可以显著的提高GPU的计算性能

cudnn:NVIDIA的cuDNN是针对深度神经网络计算的一个GPU加速库，为标准例程提供了高度优化的实现，比如向前、向后卷积，池化，规范化和激活层。其是NVIDIA Deep Learning SDK的一部分。

简而言之，显卡驱动让底层显卡硬件正常工作，CUDA的本质是一个使用显卡运算能力的工具包（ToolKit）。cuda既可以离线安装也可以在线安装，但离线安装的CUDA工具包会默认携带与之匹配的最新的驱动程序

显卡驱动与cuda的关系：NVIDIA的显卡驱动器与CUDA并不是一一对应的，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包，比如可以同时安装 CUDA 9.0、CUDA 9.2、CUDA 10.0三个版本。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以了，但是由于使用离线的CUDA总是会捆绑CUDA和驱动程序，所以在使用多个CUDA的时候就不要选择离线安装的CUDA了，否则每次都会安装不同的显卡驱动，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的CUDA即可。

CUDA、cuDNN的关系：CUDA与cuDNN也不是一一对应的。CUDA看作是一个工作台，上面配有很多工具，如锤子、螺丝刀等。cuDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算。它就相当于工作的工具，比如它就是个扳手。但是CUDA这个工作台买来的时候，并没有送扳手。想要在CUDA上运行深度神经网络，就要安装cuDNN，就像你想要拧个螺帽就要把扳手买回来。这样才能使GPU进行深度神经网络的工作，工作速度相较CPU快很多。

1、查看有无独显

2、查看有无NAVIDIA驱动

2.1、有独显无驱动

这里需要到NVIDIA官网下载
 这个也行
在这里插入图片描述上图对照下来

2.2 、安装NAVIDIA显卡驱动

1双击已下好的先科驱动
在这里插入图片描述
2【同意并继续】

3这里默认是精简，这里选择自定义，【下一步】

4勾选需要的组件，这里全部够了，注意一定要把圈红勾上，【下一步】

5【关闭】OK这里显卡驱动已完成

3、安装CUDA

3.1、查看cuda版本支持

1打开【NVIDIA控制面板】
在这里插入图片描述
2左下角【系统信息】
3【组件】

即可查看显卡驱动支持的cuda版本，或者键盘【Win】+R -》输入cmd -》进入命令行输入

nvidia-smi

在这里插入图片描述上图进行解释
第一栏的Fan：风扇转速，从0到100%之间变动，这个速度是计算机期望的风扇转速，实际情况下如果风扇堵转，可能打不到显示的转速。有的设备不会返回转速，因为它不依赖风扇冷却而是通过其他外设保持低温（比如实验室的服务器是常年放在空调房间里）。

第二栏的Temp：是温度，单位摄氏度。

第三栏的Perf：是性能状态，从P0到P12，P0表示最大性能，P12表示状态最小性能。

第四栏下方的Pwr：能耗。

第五栏的Bus-Id是涉及GPU总线的东西，domain🚌device.function

第六栏的Disp.A是Display Active，表示GPU的显示是否初始化。

第五、第六栏下方的Memory Usage是显存使用率。

第七栏是浮动的GPU利用率。

第八栏上方是关于ECC的东西。

第八栏下方Compute M是计算模式。

3.2、下载对应显卡驱动版本的cuda

1如果不知道tensorflow对于的Python和cuda版本对应关系，可以查看这个tensorflow-python-cuda速查表

2如果cuda和电脑显卡驱动对应关系，可以参考-》https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

3cuda下载官网：https://developer.nvidia.com/cuda-toolkit-archive
在这里插入图片描述

3.3、下载对应版本的cudnn

官网：https://developer.nvidia.com/rdp/cudnn-archive
在这里插入图片描述
这里需要注册登录，我们可以注册一个账号，由于我之前注册了
#### 3.4、CUDA、cudnn安装
1双击cuda,待检测完毕后，这里选择自定义【下一步】

精简：适合小白
自定义：不用说了

在这里插入图片描述 2 visual studio integration这一项没有勾选是因为我并没有使用VS环境【下一步】

只需选择CUDA下面这4项就够了（默认是全选的。。。）这一步之后，会询问这些组件的安装路径，可以直接使用C盘的默认位置，当然我自定义了一下（请记住这些安装路径，后面配置环境变量需要用到）

3查看cuda安装是否成功：

在命令行窗口输入：nvcc -V
在这里插入图片描述出现你安装的版本就行

4安装cudnn
解压安装包
在这里插入图片描述
将该文件夹复制到cuda安装路径下：

5配置环境变量
在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下4条（默认安装路径）：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；
如果你选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径