深度学习--GPU环境准备

win11+RTX4070Ti 安装 CUDA + cuDNN(图文教程) win11+RTX4070Ti 安装 CUDA+cuDNN 阅读详情
AI摘要

本文详细指导如何在联想14pro笔记本上通过雷电4接口安装NVIDIAGeForceRTX4070显卡驱动,包括CUDA和cudnn的下载与安装,以及TensorFlow和PyTorch的版本选择与配置,以确保深度学习环境的搭建。


一、现有环境

笔记本:联想14pro(含雷电4接口)
电脑系统:Windows 11
语言环境:python 3.8.6
编译器:pycharm2020.2.3
深度学习环境:TensorFlow 2.10.1
显卡:NVIDIA GeForce RTX 4070

二、显卡驱动安装

1.显卡接上笔记本

将显卡装入外置显卡扩展坞
连接笔记本雷电接口

2.下载GeForce Experience

GeForce Experience可以自动识别显卡,支持并下载更新对应显卡驱动
GeForce Experience下载地址: https://www.nvidia.com/zh-tw/geforce/geforce-experience/download/
在这里插入图片描述

三、GPU环境安装

1.下载cuda

cuda下载地址:https://developer.nvidia.com/cuda-toolkit-archive
tensorflow库在2.11及以上的版本中,都取消了对Windows平台的GPU支持,因此本机安装的tensorflow版本为2.10.1,tensorflow与cuda版本需要版本匹配,查看tensorflow2.10.1对应cuda11.2版,因此我这里下载的版本为11.2.0版。
tenserflow与cuda版本对应查找链接:https://tensorflow.google.cn/install/source_windows?hl=en#gpu
根据需要下载对应版本。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

2.下载cudnn

cndnn下载地址:https://developer.nvidia.com/rdp/cudnn-download
网页加载有点缓慢,请耐心等待。
如果没有cuDNN账号,则需要注册
在这里插入图片描述
注册完成以后进入如下界面,选择相应的cuda版本下载cuDNN版本
![在这里插入图片描述](https://img-blog.csdnimg.cn/direct/52acbc0132164c84a6042d84b880c564.pn

3.安装cuda

根据安装提示一步步安装
检查环境是否含有环境变量,桌面上找到我的电脑,右键点击属性,如下:

现在需要重启电脑,然后Win+R进入cmd界面,输入nvcc -V,出现如下界面,代码cuda已经安装成功了。 注:必须要重启电脑,否则运行nvcc -V 会找不到命令。

4.安装cudnn

对下载的cuDNN压缩包解压后出现如下三个文件夹
在这里插入图片描述
然后找到cuda的安装路径,我的安装路径如下:

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2
将cuDNN压缩包解压后的三个文件夹拷贝到cuda的安装路径合并
为cuDNN添加环境变量:
找到环境变量-系统变量-path,分别将如下三个变量添加进去,完成安装。
在这里插入图片描述
验证cudnn是否安装成功
打开cmd

cd C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite

执行deviceQuery.exe,出现以下界面
在这里插入图片描述
执行bandwidthTest.exe,出现以下界面
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.2\extras\demo_suite

四、python代码验证gpu

检查GPU是否可用

print(tf.test.is_built_with_cuda())
gpus = tf.config.list_physical_devices("GPU")
print(gpus)

执行结果

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

五、tensorflow安装

tensorflow库在2.11及以上的版本中,都取消了对Windows平台的GPU支持,如果此时已经装了2.11及以上版本的tensorflow库,那么可以首先通过如下的代码将tensorflow库更换为2.10版本的(执行这一代码时,将自动删除原有的2.11及以上版本的tensorflow库),未曾安装则会直接安装2.10版本。(添加豆瓣镜像防止出现下载超时失败现象)

pip install --user "tensorflow<2.11" -i http://pypi.douban.com/simple/ --trusted-host pypi.douban.com

六、pytorch安装

pytorch官网下载对应版本,因为cuda版本为11.2,现在又要配置torch环境,查看torch官网后发现没有cuda11.2版本对应的torch下载。
考虑到版本向下兼容,可能不一定非要下载cuda=11.2对应的那个版本的torch,或许低于这个版本就可以。所以我就选择下载cuda11.1的版本。可进入pytorch历史版本页面下载对应版本。
如果版本安装错误,先卸载。

pip uninstall torch

在这里插入图片描述

在这里插入图片描述
复制对应命令进行安装。
在这里插入图片描述
出现报错,主要是因为对于torchvision,torchvision0.11.0/cu111这个版本是没有win环境下的安装包的,找好torch和torchvision对应好的都在契合win的系统架构的安装包,再执行相关的安装指令就能解决了。
torch1.9.1+cu111 torchvision0.10.1+cu111
手动下载安装包速度要快一些。
在这里插入图片描述
在这里插入图片描述

然后进入whl文件存放目录,选用以下版本安装命令

pip install torch-1.9.1+cu111-cp38-cp38-win_amd64.whl
pip install torchvision-0.10.1+cu111-cp38-cp38-win_amd64.whl

安装完成后,python环境下运行以下代码验证安装是否成功。

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

结果如下

True
1.9.1+cu111
0.10.1+cu111

之前用镜像安装出现torch.cuda.is_available()为false,torch版本后面跟的是+cpu,说明是cpu版本,那是因为镜像里面没有gpu版

参考链接:全网最新最全的基于Tensorflow和PyTorch深度学习环境安装教程

好了,环境安装完毕,就可以尽情地玩深度学习啦

win11+RTX 4070Ti+CUDA12.1+cuDNN12.x+pytorch2.1 环境配置(图文教程) 此教程为本人安装记录,仅供参考本教程时间:2023年12月4日电脑信息:刃9000K-2023 i7-13700KF+RTX4070Ti操作系统:windows11家庭版。 阅读详情

相关推荐

Halcon 2019 安装指南:从环境准备到深度学习GPU加速配置

机器视觉作为工业自动化的核心技术,通过图像采集、处理与分析实现非接触式测量与识别。其核心原理在于将图像信息转化为数字信号,并利用算法提取特征、进行分类与定位。这项技术的价值在于提升生产效率、保障产品质量,广泛应用于工业检测、机器人引导、医疗影像等领域。在众多机器视觉开发工具中,Halcon以其卓越的算法库和工业级稳定性著称,尤其Halcon 2019版本集成了深度学习模块,显著提升了复杂缺陷检测的精度与效率。本文聚焦于Halcon 2019的安装部署,详细解析了包括系统兼容性检查、许可证配置、深度学习GPU

weixin_33928137的博客 609

GPU在深度学习中的应用与未来发展

深度学习在过去十年中迅速发展,已经成为解决图像识别、自然语言处理和强化学习等众多领域问题的核心技术。随着模型复杂度的增加以及训练数据规模的扩展,深度学习的计算需求不断上升,传统的CPU在应对这些需求时表现出一定的瓶颈。GPU凭借其高并行计算能力和高带宽的数据传输,已经成为加速深度学习模型训练和推理的关键工具。在这一部分中,我们将探讨深度学习的计算需求、GPU的角色,以及CPU与GPU在计算能力上的对比。GPU的架构设计与传统的CPU有着显著的差异。

hello.reader 3672

Halcon 24.11 安装配置全攻略:从环境准备到深度学习GPU加速

在机器视觉和工业自动化领域,专业软件的部署与配置是项目成功的基础环节。其核心原理在于确保软件运行时所需的库文件、授权机制及硬件驱动等依赖项正确安装并协同工作,这直接决定了后续算法开发与集成的效率。从技术价值看,规范的安装流程能避免常见的环境冲突、授权失效及性能瓶颈问题,为图像处理、目标检测等高级应用提供稳定基石。具体到应用场景,无论是产线质检、医学影像分析还是智能监控系统,一个配置得当的视觉软件平台都是实现精准、高效处理的关键。本文聚焦于工业视觉标杆软件Halcon的最新版本24.11,针对**授权文件(L

weixin_30694389的博客 362

深度学习中GPU的原理与应用方法

在深度学习的蓬勃发展中,GPU 的引入和广泛应用起到了至关重要的作用。本文深入探讨了 GPU 与 CPU 的架构差异,详细解析了 GPU 的并行计算原理、内存架构,以及在深度学习中的优化方法。通过实践案例,我们看到了 GPU 对于加速模型训练、支持大规模模型和数据处理的显著效果。在应用方面,了解硬件选择与配置、熟练掌握深度学习框架的 GPU 支持、有效运用数据并行和模型并行策略,以及掌握混合精度训练和性能优化技巧,都是提升深度学习模型训练和推理效率的关键。

hello.reader 4066

如何检查 TensorFlow 是否使用 GPU Python

TensorFlow 是一个广泛使用的深度学习框架,而使用 GPU 来加速 TensorFlow 计算是提高训练和推理性能的重要方式之一。对于 GPU 支持,您还需要安装适用于您的 GPU 的 CUDA 和 cuDNN。请根据您的 GPU 型号和 TensorFlow 版本查找相应的 CUDA 和 cuDNN 版本,并按照官方文档进行安装。要检查 TensorFlow 是否使用 GPU,我们可以使用 TensorFlow 提供的一些方法和属性。方法检查 TensorFlow 是否可以使用 GPU。

HackDashX的博客 3002

SpringBoot 指标监控——Actuator

1、 访问:localhost:8000/actuator 设置健康监控显示具体情况 metrics http://localhost:8000/actuator/metrics/jvm.gc.live.data.size 定制化health信息 //利用构造器,在注册中心中添加cityService.saveCity.count指标 public CityServiceImpl(MeterRegistry meter...

weixin_44302046的博客 4633

写给在写毕业论文的你们免安装深度学习线上GPU环境准备

知道大家写毕业论文都非常的着急 如果从安装环境开始就浪费了大量时间 不如去租一个免安装环境的在线GPU平台。 Featurize https://featurize.cn?s=f4fd9c47288f4046b074084b1387acfb GPUshare https://www.gpushare.com/auth/register?user=15*****5202&promoterId=10840041c836&source=promoter Autodl https://w

weixin_41046245的博客 1623

Verilog仿真时读取bin文件模拟输入数据流,将输出数据流写入bin文件

需要关注的是,一般会省略文件起始地址和读取长度,那么mem为多大,就会从文件中读取多大的数据出来填充mem。如果只需要读取一次文件,那么代码到此就结束了,但是如果还需要每一帧都读取该文件转换为数据流,则在循环里判断新的一帧信号是否到来,在新的一帧再次打开一次文件,从头开始读取数据。

qq_41137205的博客 2774

深度学习项目训练环境步骤详解:从conda activate dl到python val.py全流程

本文介绍了如何在星图GPU平台上自动化部署深度学习项目训练环境镜像,快速搭建AI模型开发环境。该镜像预装了PyTorch、CUDA等核心工具链,支持从数据预处理到模型训练、验证的全流程,适用于计算机视觉、自然语言处理等典型AI应用场景。

weixin_34162851的博客 119

华为等安卓手机的vcf无法导入苹果的iCloud 通讯录

华为等安卓手机的vcf无法导入苹果的iCloud 通讯录

Guocean 8622

Ansys Circuit新手必看:IBIS模型导入时,Pin Import和Buffer Import到底怎么选?

本文详细解析了Ansys Circuit中IBIS模型导入时Pin Import与Buffer Import的选择策略,帮助SI/PI工程师根据仿真需求做出正确决策。通过对比两种方式的特性差异和应用场景,提供实用的选择指南和性能优化建议,提升信号完整性仿真效率。

weixin_26846533的博客 262

深度学习项目训练环境一文详解:从conda activate dl到val.py精度验证全链路

本文介绍了如何在星图GPU平台自动化部署深度学习项目训练环境镜像,实现开箱即用的AI开发体验。该预配置环境基于PyTorch 1.13.0和CUDA 11.6,支持从模型训练到精度验证的全流程,特别适用于图像分类等计算机视觉任务的快速开发与验证。

weixin_35829279的博客 222

AD9361 RSSI配置实战:从寄存器到精准功率测量的避坑指南

本文详细解析了AD9361芯片的RSSI配置实战,从寄存器设置到精准功率测量的全流程避坑指南。通过优化模式选择、测量持续时间及高级参数配置,实现高精度信号强度测量,并分享实际项目中的校准流程与性能优化技巧,帮助工程师提升射频接收链路的测量精度。

weixin_38166557的博客 447

深度学习入门准备---Windows环境下安装tensorflow-gpu的简易指南与排坑

#安装环境 操作系统:win7 64位 python版本:3.5.6 tensorflow-gpu1.10 CUDA9.0 cudnn7.0

梆子井欢喜坨的博客 555

开发simulink 以及stm32半物理仿真碰到的问题,以及处理方法,Error:External Mode Open Protocol Connect command failed(实测有用)

串口实现的,但是在测试的时候发现,这个串口可以正常发送和接收数据,但是一旦把这个串口只让其进行版物理仿真就报错。直接刷写程序是可以的,最后查到问题了。我要实现半物理仿真,就是通过matlab实现可以直接控制stm32板子,实际上是通过xcp on。然后点击simulink上的观测按钮就可以直接和stm32平台进行通讯了。3,还是使用串口3,但是重新需要设置一下com口,因为重新插拔了一下,按照这个设置方法就可以。2,重新加载ioc文件。

pvmsmfchcs的博客 1503

2026.11.12:2026.11.12最新的Ubuntu26.04安装docker-ce

本文介绍了在Ubuntu 26.04系统上安装Docker CE的完整步骤。首先需要卸载旧版本的Docker组件,然后通过设置官方仓库进行安装。具体步骤包括:更新系统、安装必要依赖、添加Docker GPG密钥、配置稳定版仓库源、安装Docker Engine及containerd。文章还提供了安装特定版本Docker的方法,并说明了如何将用户加入docker组以获取权限,最后设置Docker开机自启。整个过程详细清晰,适合在Ubuntu系统上部署Docker环境的用户参考。

拥抱具身智能,昇腾Ascend C 523

深度学习——学习之前需要的工作准备

随着人工智能的不断发展,机器学习这门技术也越来越重要,很多人都开启了学习机器学习,我也为了对深度学习有更深入的了解,报名参加365天深度学习训练营,由此打卡督促学习。准备工作就绪,开始深度学习之旅啦。

LittleRuby的博客 316

【异常检测】【EfficientAD】论文简单梳理与代码实现

EfficientAD作为较近的一篇异常检测网络,主要还是从S-T网络入手,对齐进行了相关改进。修改特征提取器引入自动编码器hard loss以及惩罚项。

胡侃有料的博客 2860

MXNet深度学习框架GPU加速实战指南

MXNet深度学习框架GPU加速实战指南 【免费下载链接】mxnet 项目地址: https://gitcode.com/gh_mirrors/mx/mxnet 前言 在深...

gitblog_00321的博客 430

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

visio安装包

Microsoft Office Visio 是一款专业的制图软件。利用经过更新的形状、协作工具和数据链接图表,创建专业级图表以简化复杂的信息。

深度学习项目训练环境使用指南:环境激活到模型训练

本文介绍了如何在星图GPU平台上自动化部署深度学习项目训练环境镜像,快速构建开箱即用的模型训练工作台。该镜像预装PyTorch、CUDA及完整依赖,支持图像分类任务全流程——从数据准备、模型训练到剪枝微调,典型应用于蔬菜/花卉等细粒度图像分类场景。

weixin_35995661的博客 333

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

深度学习项目训练环境步骤详解:数据集解压/tar.gz处理/Linux命令速查表

本文介绍了如何在星图GPU平台上自动化部署深度学习项目训练环境镜像,快速搭建包含PyTorch、CUDA等工具的AI开发环境。该镜像支持数据集解压(如tar.gz格式处理)、模型训练与验证,典型应用于图像分类项目的全流程开发,显著提升深度学习项目的部署与实验效率。

weixin_42351520的博客 442

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

D2L-ai项目教程:如何在深度学习中使用GPU加速计算

D2L-ai项目教程:如何在深度学习中使用GPU加速计算 【免费下载链接】d2l-en d2l-ai/d2l-en: 是一个基于 Python 的深度学习教程,它使用了 SQLite 数据库存储数据。适合用于学习深度学习,特别是对于需要使用 Python 和 SQLite 数据库的场景。特点是深度学习教程、Python、...

gitblog_00918的博客 461

新手友好:深度学习项目训练环境使用全解析

本文介绍了如何在星图GPU平台自动化部署深度学习项目训练环境镜像,快速搭建AI开发环境。该镜像预装了PyTorch、CUDA等核心组件,用户可立即开展模型训练与实验,适用于图像分类、目标检测等计算机视觉任务的开发与优化。

weixin_42602726的博客 296

AI 平台 GPU 节点上运行基于 PyTorch 的深度学习任务

首先,确保的环境中已经安装了 PyTorch 及其依赖项。的版本与集群中 CUDA 的版本兼容(根据集群的 CUDA 版本选择合适的版本).创建一个脚本来提交的 PyTorch 训练作业。在安装过程中,接受协议并指定安装目录(例如。将上述脚本保存为一个文件,例如。

hello! 581

如何使用WSL2搭建基于Tensorflow GPU的深度学习环境?

相信我,这不仅能让你更高效地进行实验和开发,还能为你的职业生涯增添不少亮点,特别是在追求成为。WSL2是一个相对较新的功能,因此你需要确保操作系统是最新的。Ubuntu是最受欢迎的选择之一,它拥有强大的社区支持以及良好的兼容性。数据分析师不仅需要扎实的专业知识,还需要具备解决实际问题的能力一样,搭建这样一个高效的深度学习环境同样离不开细致入微的操作和不断积累的经验。数据分析师不仅需要扎实的专业知识,还需要具备解决实际问题的能力一样,搭建这样一个高效的深度学习环境同样离不开细致入微的操作和不断积累的经验。

cda2024的博客 1148

AMD 显卡/GPU 深度学习折腾指南

文章首发于 个人博客 文章目录IntroductionZheTeng ConditionsGPU 列表CPU 列表关于 ROCmInstall on Ubuntu系统准备安装 ROCmDeep Learning on ROCmTensorflowPyTorchConclusion Introduction 鉴于 NVIDIA 的价格和自己的预算, 因此上了 AMD 的船,自此主机组装完成。 A...

[&] () {} 6万+
上一篇: 深度学习 Day7——T7咖啡豆识别
下一篇: 深度学习CNN网络--卷积层、池化层、全连接层详解与其参数量计算
LittleRuby
博客等级 码龄7年 465粉丝 38原创
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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
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