配置深度学习环境：在Windows（Win10）中安装CUDA，CUDNN，Pytorch GPU版

已于 2024-04-06 18:57:10 修改
阅读量7.9k 收藏 121
点赞数 27
CC 4.0 BY-SA版权
分类专栏： # 深度学习 文章标签： 深度学习 pytorch windows
于 2022-10-18 19:33:41 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/Ever_____/article/details/127379785

安装需知：Nvidia GPU Driver（与硬件交互的低层软件）决定CUDA版本，CUDA版本决定cuDNN版本

①查看适配Driver的Cuda版本

在这里默认已安装Nvidia GPU Driver，一般电脑中只要有GPU就已安装了Driver
桌面 --》 鼠标右键 --》NVIDIA控制面板
在这里插入图片描述
NVIDIA控制面板–》系统信息
在这里插入图片描述
组件 --》NVCUDA64.DLL 在产品名称栏可以看到CUDA 11.5.76 driver
则我的电脑适配的是Cuda 11.5及以下的版本
在这里插入图片描述

②卸载已安装的Cuda

设置 --》应用 --》应用和功能
在这里插入图片描述
在搜素中查找 NVIDIA,注意在显示列表中仅卸载含CUDA的软件即可，仅卸载含CUDA的软件即可，仅卸载含CUDA的软件即可，请慎重卸载
在这里插入图片描述

③选择对应CUDA

查看自身显卡的算力，在此网站中搜索显卡型号，可以看到我显卡对应的算力是7.5
在这里插入图片描述
查看显卡算力支持的CUDA版本
在这里插入图片描述
算力7.5支持的CUDA版本有10.0-10.2，11.0，11.1-11.4，11.5–11.7.1，11.8，12.0
显卡驱动最高支持的CUDA为11.5，安装的CUDA应该小于等于11.5，因此我可选的CUDA版本有10.0-10.2，11.0，11.1-11.4，11.5
在这里插入图片描述

④下载对应Cuda

进入Cuda工具包下载页面，选择适合自己版本的Cuda,我在这里选择11.5.0的版本
在这里插入图片描述

选择系统类型
在这里插入图片描述
选择软件包类别，点击download
在这里插入图片描述

⑤安装Cuda

Cuda默认会安装到C盘/Program Files/NVIDIA Corporation中
因C盘容量不足，我准备将Cuda安装在D盘 新建了以下目录文件
在这里插入图片描述
目录结构如下图所示，四个文件夹均为手动新建，此后安装时将路径选在这边
在这里插入图片描述
双击打开我们之前下载的Cuda 11.5.0的安装包
在这里插入图片描述
弹出如下界面，表示将生成一个临时文件，路径可以修改在其他位置，点击OK
在这里插入图片描述
等待进度达到100%
在这里插入图片描述
之后将弹出如下界面
在这里插入图片描述
在这里插入图片描述
点击同意并继续
在这里插入图片描述
由于有些东西是不需要的，因此选择自定义安装
在这里插入图片描述
勾选如下文两张图所示的内容
在这里插入图片描述
在这里插入图片描述
点击下一步，选择安装位置，下面是默认的安装位置，我要安装在D盘因此点击浏览，选择到我们之前新建的文件位置，注意文件名称与官方中的保持一致·
在这里插入图片描述
为保持一致，在CUDA的目录中新建一个v11.5的文件夹
在这里插入图片描述
其他两个路径同理，修改后如下图所示
在这里插入图片描述
打钩，点击Next
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
完成后如下图所示，点击关闭即可
在这里插入图片描述
还记得之前生成的临时文件吗，这个时候就已经自动删除了

⑥下载Cudnn

2024年4月更新博文：cuDNN已经被集成在Pytorch中，无需单独安装，但是如果需要从源码编译就还是需要安装cuDNN 具体查看这里
在这里插入图片描述

Nvidia Cudnn下载网址（需登录nvidia账号才能下载）
由于我的Cuda版本为11.5 因此下载 根据自身需要下载xxxx for CUDA 11.5的Cudnn
在这里插入图片描述
选择zip版进行下载
在这里插入图片描述
下载完成后进行解压
在这里插入图片描述

⑦安装Cudnn

下图中内容为Cudnn压缩包解压出的内容，全选复制
在这里插入图片描述
粘贴在Cuda安装时的目录 NVIDIA GPU Computing Toolkit\CUDA\v11.5中
在这里插入图片描述

⑧验证Cuda是否安装成功

使用如下命令，出现版本信息即代表安装成功

nvcc -V

在这里插入图片描述

⑨安装Pytorch GPU版

在安装之前建议将源换为清华源或其他源，加快下载过程

进入Pytorch官网 下载Pytorch
在这里插入图片描述
带有CUDA字样的就是GPU版，由于我们已安装CUDA的版本是11.5，因此我们可以下载小于等于11.5的版本
在anaconda中先激活需要安装pytorch的环境，我这里是之前创建过的名为d2l的环境
在这里插入图片描述
在这里可以查看Pytorch的历史版本
在这里插入图片描述
在这里我要安装1.11.0的Pytorch，选择CUDA11.3的版本
在这里插入图片描述
复制该条指令 到anaconda中，回车执行
在这里插入图片描述
确认安装 输入y
在这里插入图片描述
等待下载完成
在这里插入图片描述
出现以下界面代表安装成功
在这里插入图片描述
使用conda list 查看已安装的包
在这里插入图片描述
发现pytorch torchvision torchaudio cudatoolkit均在其中，至此，安装成功，完结撒花喽~~~

【深度学习环境配置】Anaconda + PyCharm + CUDA + cuDNN + PyTorch + OpenCV
shinuone的博客
02-23 2万+
（1）【CPU版本】Anaconda（Python） + Pycharm + Pytorch（CPU） + Opencv （2）【GPU版本】Anaconda（Python） + Pycharm + CUDA + cuDNN + Pytorch（GPU） + Opencv
关于深度学习中的cuda编程，cuda相关介绍
Henry的博客
07-26 1391
CUDA（Compute Unified Device Architecture，统一计算设备架构）是由Nvidia开发的编程模型和并行计算平台。在模式识别任务中，使用cuda进行GPU加速可以显著提升计算能力，通过并行化任务更快的执行简单矩阵操作PyTorch提供了torch.cuda库来设置和运行CUDA操作需要注意的是，cuda操作的数据被称为张量，其实就是数组，维度从一维到几十维度、上百维度不止，只是叫法不同而已。利用PyTorch的CUDA功能，可以创建张量并将其分配至GPU。
Windows系统软件游戏丢失找不到nvcuda.dll修复解决方法
最新发布
2504_92288299的博客
07-17 265
以上只是通用的运行库dll处理方式，如果你遇到缺失文件是第三方的软件文件，那么就需要下载到属于这个程序所匹配的版本的文件，然后将这个文件复制到这个程序的安装目录下才能解决问题。如果我们遇到关于文件在系统使用过程中提示缺少找不到的情况，如果文件是属于运行库文件的可以单独下载文件解决，但还是建议安装完整的运行库，可以尝试采用手动下载替换的方法解决问题！文件下载完成后，下方列表会有很多个不同版本的文件，这里所有文件都是免费可下载的，我们根据自己所需要的版本文件，点击右边的“打开”，这样就找到了下载的文件。
win10下CUDA和CUDNN的安装（超详细）！亲测有效！
胭脂草的ABC博客
08-06 1100
CUDA11安装配置 CUDA8的安装包可直接从NVIDIA官网下载。根据相应的系统选项，我选择的是cuda_8.0.61_win10.exe(大小为1.3G)，安装的时候建议选择自定义而不是“精简”(从下面的英文解释可以看出，其实这里的精简写成完整应该更贴切，他会安装所有组件并覆盖现有驱动，然而我并不想安装全家桶，何况我的官方显卡驱动比他的新)。 如下图所示，我们只需选择CUDA下面这4项就够了（默认是全选的。。。），visual studio integration这一项没有勾选是因为...
CUDA超详细安装教程（windows版）
virobotics的博客
02-28 1万+
Hello，大家好，这里是virobotics（仪酷智能科技），一个深耕于LabVIEW和人工智能领域的开发工程师。今天给大家分享如何在windows系统上安装CUDA。
windows系统CUDA的详细安装教程
二爷的博客
04-23 1万+
hello,大家好，之前一直在ubuntu系统上做开发，今天给大家分享如何在windows系统上安装CUDA。首先需要下载两个安装包，CUDA toolkit 和 cuDNN，CUDA（Compute Unified Device Architecture）是由NVIDIA开发的并行计算平台和编程模型。它利用了NVIDIA的GPU（图形处理器）来加速计算任务，使得许多复杂的计算任务可以在GPU上并行处理，从而提高计算性能。
深度学习环境配置CUDA、cuDNN、Tensorrt及Anaconda虚拟环境
m0_66380820的博客
06-28 5554
深度学习环境的配置主要包括了CUDA、cuDNN、Tensorrt，这3个主要是配置电脑的运行环境。跑深度学习框架（例如yolov5）还会需要创建虚拟环境，使用Anaconda配置。下面一一介绍配置。个人目前配置版本为CUDA11.6，cuDNN8.4.1.50，Tensorrt8.4.1.5。
安装CUDA Cudnn Pytorch(GPU版本）步骤
qq_52806062的博客
07-23 1140
1.打开NVIDIA控制面板2.点击帮助---系统信息--组件我的支持CUDA11.6。
手把手教你Win系统配置深度学习(GPU)环境： Anaconda3+CUDA+cuDNN+pytorch
qq_51475793的博客
07-26 3435
最近跑行为识别的网络模型，所以需要在笔记本上配置深度学习的坏境，准备将踩过的坑都记录下来。巨详细的那种！！！ 配置：winsows系统，GTX3050显卡。（AMD显卡不能直接调cuda，只能装虚拟机，在Linux系统上安装ROMc来调cuda，巨麻烦，而且只有部分型号的amd显卡才支持安装ROMc） 1、 Anaconda安装 1.1 先下载Python还是Anaconda？ Anaconda！装anaconda，就不需要单独装在python了！ 1.2 Anacond...
GPU深度学习环境搭建：Win10+CUDA 11.7+Pytorch1.13.1+Anaconda3+python3.10.9
weixin_43117514的博客
04-19 1941
根据 CUDA 11.7 版本查看 Pytorch的对应版本为 1.13.1，再根据 Pytorch 1.31.1 版本查看Python对应的版本为 >=3.7 到 <=3.10 ，此处选择Python3.10.9案例。第一个路径默认（后面系统会自动删掉），选择精简，这里建议默认安装，也可手动安装，但是要记得自己安装的位置，因为后面需要配置系统环境变量。根据显示，显卡驱动版本为：Driver Version: 516.59，CUDA 的版本为：CUDA Version 11.7。
win11下安装Cuda和Cudnn(pytorch+GPU环境安装)，保姆级教程！！！
热门推荐
qq_36623004的博客
10-09 2万+
cuda+cudnn的安装配置(pytorch+GPU环境安装)
cuda_11.3.1_465.89_win10.txt
06-09
英伟达官方2021.6最新CUDA程序 cuda_11.3.1_465.89_win10百度网盘链接 适用于win10 64，亲测可用
2023年的深度学习入门指南(10) - CUDA编程基础
lusing的专栏
04-25 1374
在Intel CPU还是8+4核20线程的时候，GTX 1060显卡做到1280个CUDA核，3060是3584个CUDA核，3090是10496个CUDA核，4090有16384个CUDA核。每个CUDA核上可以起比如1024个线程。 所以，如果有大量可以并发的任务，应该毫不犹豫地将其写成核函数放到GPU上去运行。 GPU编程既没有那么复杂，完全可以快速上手像写CPU程序一样去写。但也不是那么简单，适合GPU可能需要改用特殊的算法。 这一篇我们就来学习用CUDA进行GPU编程
01-深度学习-win10系统下配置OpenCV-DNN模块使用CUDA（支持nvidia 显卡加速）
qq_41719643的博客
08-09 3196
说明：这一块坑比较多，再参考了大量资料才成功实现，一次编译花费近两个小时，十分费神。笔者在前人基础上进行归纳终结，也记录了期间遇到的问题和解决方法，尽可能把实现步骤说明白。在此，也特别感谢博主：広仁，与他讨论了许多细节问题和错误，接下来进入正题。 1. 运行环境与前期准备 2. 使用cmake进行编译 3. 使用vs2017进行工程编译 4.测试 5. 遇到的问题 ...
深度学习代码训练环境之CUDA详解
介绍AI领域相关知识
11-03 2499
UDA（Compute Unified Device Architecture）是由NVIDIA开发的并行计算平台和编程模型，专门用于在NVIDIA的GPU（图像处理单元）上进行计算加速。CUDA允许开发者利用GPU的强大计算能力来执行通常由CPU处理的复杂计算任务，如深度学习、科学计算和图像处理等。这种架构在深度学习、计算机视觉、自然语言处理和其他需要高并发计算的领域具有广泛应用。
深度学习-Windows下开发环境搭建-CUDA环境安装
快乐的小小程序猿
06-03 868
深度学习 Windows下开发环境搭建 3. CUDA环境安装 参考链接： https://www.cnblogs.com/xiamuzi/p/13470890.html https://blog.youkuaiyun.com/weixin_45494025/article/details/100746025# 官方文档：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html 系统要求： 翻译： 要在
【一文搞懂—防止踩坑】深度学习环境配置:CUDA、cuDNN、算力 和 PyTorch 版本选择、详细教程案例(仔细阅读，建议收藏)
cqy阳的博客
01-23 9884
【一文搞懂—防止踩坑】深度学习环境配置:CUDA、cuDNN、算力 和 PyTorch 版本选择、详细教程案例(仔细阅读，建议收藏)
超全超强深度学习环境搭建--cuda、cuDnn、pytorch、torch、torchvision
qq_45692007的博客
07-10 2475
最近搭建环境搞的头的大了，网上大部分都是洗稿+抄袭，查很长时间资料才能解决问题。现在我把这环境搭建梳理一下，并给出一些问题的解决方法。
深度学习之CUDA+CUDNN详细安装教程
DreamerZC的博客
10-03 4750
本篇博文主要涉及深度学习中CUDA和CUDNN的详细安装教程，希望能帮助到各位小伙伴~
cuda必须安装在c盘吗
03-13
<think>嗯，用户问的是CUDA安装路径是否只能选C盘，有没有其他位置可选以及有什么影响。首先，我需要确认CUDA的默认安装路径是什么。根据引用[2]提到的，安装步骤里没有特别说明路径选择，可能默认是在C盘。但用户想改路径的话，有没有可能呢？ 接下来，我得回忆一下CUDA安装过程。在安装过程中，用户选择“自定义安装”时可以调整安装路径。引用[1]里提到用户应该选择“自定义安装”并取消某些选项，所以可能在自定义安装步骤里可以改路径。不过需要确认是否所有组件都能改路径，还是只有部分可以。 然后，要考虑更改安装路径的影响。比如，如果安装到其他盘，会不会导致环境变量问题？或者后续开发工具找不到CUDA的位置？另外，系统权限问题也可能存在，特别是如果用户没有管理员权限的话，安装到非系统盘可能更顺利，但需要确保路径没有空格或特殊字符。 另外，引用[2]里提到安装完成后需要配置环境变量，所以如果更改了路径，用户可能需要手动调整环境变量，比如PATH，确保指向正确的CUDA目录。否则，编译或运行程序时可能会报错，找不到CUDA库或工具。 还有，用户可能担心空间问题，C盘空间不足的话，安装到其他盘可以缓解。但需要提醒用户，即使主程序安装到其他盘，某些系统级组件可能还是会被安装在C盘，比如NVIDIA驱动相关的部分。因此，安装路径的选择可能只能改变一部分文件的存放位置，不能完全迁移所有内容。 此外，多版本CUDA共存的情况下，路径选择也很重要。用户可能需要为不同版本指定不同路径，并通过环境变量切换使用哪个版本。比如，在开发时可能需要切换CUDA版本，这时候路径管理就很重要了。 最后，总结一下回答的结构：先明确可以改路径，然后说明安装时的步骤（自定义安装），接着分析不同路径的影响，包括环境变量、空间管理、权限问题，以及多版本管理。同时，引用相关的参考资料，比如引用[1]中的自定义安装步骤，引用[2]中的环境变量配置，引用[3]中的系统配置经验。</think>CUDA的安装路径选择并非强制固定在C盘，但需根据安装流程和系统环境合理配置。以下是详细分析： ### 一、CUDA安装路径选择规则 1. **默认路径可修改** 在安装过程中选择**自定义安装**时，可手动指定安装路径。引用[1]明确指出应选择自定义安装模式，此时会看到路径修改选项。例如： ``` 默认路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\vX.X 可修改为：D:\CUDA\vX.X ``` 2. **部分组件强制安装到系统盘** - CUDA开发工具包（含编译器、库文件）支持路径修改 - NVIDIA显卡驱动必须安装在C盘（系统盘）[^2] ### 二、不同安装位置的影响分析 | 安装位置 | 优点 | 缺点 | |---------|------|------| | C盘 | 兼容性最佳<br>自动配置环境变量 | 占用系统盘空间<br>SSD写入寿命影响 | | 非系统盘 | 节省C盘空间<br>便于多版本管理 | 需手动配置环境变量<br>部分IDE需要额外设置路径 | ### 三、具体操作步骤 1. 安装时勾选**Custom Installation** 2. 展开组件列表后，点击**Browse**修改以下组件的路径： ``` CUDA Development CUDA Documentation CUDA Samples ``` 3. 保留**NVIDIA Driver**和**PhysX System Software**的默认安装位置[^1] ### 四、后续配置要求 1. **环境变量设置** 修改后需验证以下变量： ```shell PATH: D:\CUDA\vX.X\bin;D:\CUDA\vX.X\libnvvp CUDA_PATH: D:\CUDA\vX.X ``` 2. **开发工具配置** 在VS Code/PyCharm等IDE中需明确指定CUDA Toolkit路径 ### 五、典型问题案例 - 案例1：某用户将CUDA安装到E盘后出现`nvcc not found`错误，原因为未更新PATH变量 - 案例2：多版本CUDA（v11.7和v12.1）通过不同路径安装后，需通过`CUDA_PATH`变量切换活动版本
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

几度热忱

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值