【环境配置】安装与配置 CUDA 和 cuDNN 环境，支持多种 GPU 加速框架

以下是在 Windows 10 下安装和配置 CUDA 框架的详细步骤，包括安装 CUDA Toolkit、cuDNN 以及配置深度学习框架（如 TensorFlow 和 PyTorch）的示例。

---

1. 准备工作

1. 检查 GPU 型号：

   • 确认你的GPU型号
     

   • 确保你的 GPU 支持 CUDA。可以在 NVIDIA CUDA GPU 列表 中查找你的 GPU 是否支持 CUDA。
     
      

   • 我的机器的显卡NVIDIA GeForce GTX 750 Ti 支持 CUDA 计算能力 5.0。
     

2. 更新 NVIDIA 驱动：

   • 打开 NVIDIA 驱动下载页面，选择你的 GPU 型号和操作系统版本，下载并安装最新的驱动程序。

3. 下载 CUDA Toolkit：

   • 访问 NVIDIA CUDA Toolkit 下载页面，选择适合 Windows 10 的 CUDA 版本（如：我的显卡最高可以适配CUDA 10.2，无法使用最新的12.8版本，需要从Archive Previous CUDA Releases中查找）。
     
     

4. 下载cuDNN：

   • 访问 NVIDIA cuDNN 下载页面，下载与 CUDA 版本匹配的 cuDNN（需要注册 NVIDIA 开发者账号）。
     

---

2. 安装 CUDA Toolkit

1. 运行安装程序：

   • 双击下载的 CUDA 安装包（如 cuda_10.2.89_441.22_win10.exe）。 
      

   • 选择精简模式或者选择“自定义安装”，确保勾选以下组件：

     • CUDA Toolkit（核心组件）

     • CUDA Samples（可选，用于测试）

     • NVIDIA GPU 驱动（如果未安装最新驱动）。

2. 配置环境变量：

   • 安装完成后，CUDA 会自动添加环境变量。如果没有，请手动添加：

     • 右键点击“此电脑” -> “属性” -> “高级系统设置” -> “环境变量”。

     • 在 Path 中添加以下路径：

       C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin
       C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\libnvvp
       
       

3. 验证安装：

   • 打开命令提示符（CMD），输入以下命令：

     nvcc --version

     如果显示 CUDA 版本信息，则安装成功。
     

---

3. 安装 cuDNN

1. 解压 cuDNN 文件：

   • 下载的 cuDNN 是一个压缩包（如 cudnn-10.2-windows10-x64-v7.6.5.32.zip），解压后会得到以下文件夹：

     • bin

     • include

     • lib
       
       

2. 复制文件到 CUDA 安装目录：

   • 将 cuDNN 的文件复制到 CUDA 安装目录（默认路径为 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）：

     • 将 bin 文件夹中的文件复制到 CUDA\v10.2\bin。

     • 将 include 文件夹中的文件复制到 CUDA\v10.2\include。

     • 将 lib 文件夹中的文件复制到 CUDA\v10.2\lib。
       
       

3. 验证 cuDNN 安装：

   • 打开命令提示符，输入以下命令：

     nvcc -V

     如果显示 CUDA 版本信息，则 cuDNN 安装成功。
     

---

4. 测试 CUDA 安装

1. 编译并运行 CUDA Samples：

   • 进入 CUDA Samples 目录（默认路径为 C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.2）。

   • 打开 Samples_vs2019.sln（如果使用 Visual Studio 2019）。

   • 编译 Samples（选择 Release 和 x64 配置）。

   • 运行测试程序（如 deviceQuery）：

     • 进入 bin\x64\Release 目录，双击 deviceQuery.exe。

     • 如果显示 GPU 信息，则 CUDA 安装成功。

---

5. 配置深度学习框架

TensorFlow

1. 安装支持 GPU 的 TensorFlow：

   • 打开命令提示符，运行以下命令（不同版本的 TensorFlow 需要不同的 CUDA 版本支持。根据 TensorFlow 官方文档，TensorFlow 2.3.0 和 2.4.0 支持 CUDA 10.1，而 官方并未直接支持 CUDA 10.2。但你可以尝试让 TensorFlow 2.3.0 在 CUDA 10.2 环境下运行，通常是可行的。）：

     pip install tensorflow-gpu==2.3.0

2. 验证 GPU 是否可用：

   • 打开 Python 解释器，运行以下代码：

     import tensorflow as tf
     print(tf.config.list_physical_devices('GPU'))

     如果显示 GPU 设备信息，则 TensorFlow 已成功配置为使用 GPU。

     [PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]

3. 遇到的常见问题：

问题 1：Could not load dynamic library 'cudart64_101.dll'

错误信息：

Could not load dynamic library 'cudart64_101.dll'; dlerror: cudart64_101.dll not found

原因：

• TensorFlow 2.3.0 需要 CUDA 10.1，而你安装的是 CUDA 10.2。

解决方案：

• 方法 1（推荐）：安装 CUDA 10.1 并使用 TensorFlow 2.3.0。
• 方法 2：尝试 TensorFlow 2.5+（但需要更高版本的 CUDA）。
• 方法 3：如果坚持用 CUDA 10.2，可以手动下载 cudart64_101.dll 并放入 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin。
• 方法4：如果坚持用 CUDA 10.2，可以将C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\bin下的cudart64_102.dll 改名为 cudart64_101.dll。

---

PyTorch

1. 安装支持 GPU 的 PyTorch：

   • PyTorch 各个版本对 CUDA 版本的支持可以在官网 PyTorch 官网 查询。打开命令提示符，运行以下命令：

     pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu102
     

2. 验证 GPU 是否可用：

   • 打开 Python 解释器，运行以下代码：

     import torch
     
     if torch.cuda.is_available():
         print(f"GPU is available: {torch.cuda.get_device_name(0)}")
         print(f"CUDA version: {torch.version.cuda}")
     else:
         print("GPU is not available.")

     如果输出显示 GPU 可用，并且 CUDA 版本正确，就说明 PyTorch 已成功配置 GPU 加速。

     GPU is available: GeForce GTX 750 Ti
     CUDA version: 10.2

---

6. 常见问题

1. 驱动冲突：

   • 确保安装的 NVIDIA 驱动与 CUDA 版本兼容。

2. 环境变量未生效：

   • 检查环境变量配置是否正确，并确保重新加载配置文件。

3. 显存不足：

   • 如果显存不足，可以尝试减少批量大小（batch size）或使用模型量化技术。

4. nvidia-smi命令不可用：

   • 将C:\Program Files\NVIDIA Corporation\NVSMI添加到环境变量的Path变量中。

---

通过以上步骤，你应该能够在 Windows 10 企业版 下成功安装和配置 CUDA 框架，并开始使用 GPU 加速深度学习任务。