本机安装深度学习库cuda11.8,cudnn8.6和tensorRT8.5

参考:
https://blog.youkuaiyun.com/qq_46107892/article/details/131453019
https://blog.youkuaiyun.com/zhouzwd87/article/details/129064710

首先是安装cuda11.8

wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2004/x86_64/cuda-ubuntu2004.pin

sudo mv cuda-ubuntu2004.pin /etc/apt/preferences.d/cuda-repository-pin-600

wget https://developer.download.nvidia.com/compute/cuda/11.8.0/local_installers/cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb

sudo dpkg -i cuda-repo-ubuntu2004-11-8-local_11.8.0-520.61.05-1_amd64.deb

sudo cp /var/cuda-repo-ubuntu2004-11-8-local/cuda-*-keyring.gpg /usr/share/keyrings/

sudo apt-get update

sudo apt-get -y install cuda

添加到环境变量上:


sudo gedit ~/.bashrc

export PATH=/home/cuda/cuda118/bin:$PATH
export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/cuda/cuda118/lib64

which nvcc
nvcc -V

然后安装cudnn8.6,注意需要使用NVIDIA账号:
https://developer.nvidia.cn/rdp/cudnn-archive
下载好后解压,然后复制相关文件到cuda即可:

sudo cp -r lib/* /usr/local/cuda-11.8/lib64

sudo cp -r include/* /usr/local/cuda-11.8/include

最后是tensorRT的安装,也是去官网进行下载然后复制:

请添加图片描述

sudo cp -r lib/* /usr/local/cuda-11.8/lib64

sudo cp -r include/* /usr/local/cuda-11.8/include

sudo cp -r lib/* /usr/local/cuda-11.8/lib64

sudo cp -r include/* /usr/local/cuda-11.8/include

<think>嗯,用户现在的问题是关于在Anaconda环境中安装CUDA 11.8cuDNN 8.6,并且已经有TensorFlow虚拟环境。首先,我需要确定用户的具体需求。他们可能已经创建了一个虚拟环境,安装了TensorFlow,但现在需要配置对应CUDAcuDNN版本,以支持GPU加速。 首先,用户可能遇到的问题是在使用TensorFlow时,GPU没有被正确识别或使用。这可能是因为CUDAcuDNN的版本不匹配,或者没有正确安装。TensorFlow的不同版本对CUDAcuDNN有特定的要求,用户提到CUDA 11.8cuDNN 8.6,需要确认这些版本是否兼容他们现有的TensorFlow版本。例如,TensorFlow 2.10及以后可能需要CUDA 11.8cuDNN 8.6,而更早的版本可能需要不同的版本组合。 接下来,用户可能已经通过Anaconda创建了虚拟环境,并安装了TensorFlow,但可能没有正确安装对应CUDAcuDNN。Anaconda的优势在于可以通过conda包管理器来安装这些,这样可以避免手动安装的繁琐潜在的版本冲突。所以,我需要指导用户使用conda命令来安装指定版本的CUDAcuDNN。 需要注意的是,虽然CUDA通常是通过NVIDIA官网下载安装,但在conda环境中,可以使用conda-forge或nvidia的频道来安装对应的工具包。这样可以确保的版本兼容性,并且自动处理依赖关系。例如,使用`conda install -c conda-forge cudatoolkit=11.8``conda install -c conda-forge cudnn=8.6`。同时,用户需要激活他们的虚拟环境,确保安装在正确的环境中。 另外,用户可能已经安装了TensorFlow,但需要检查是否安装了支持GPU的版本。例如,通过pip安装的TensorFlow通常分为`tensorflow`(CPU版本)`tensorflow-gpu`(GPU版本),但现在官方推荐使用`tensorflow`包,并根据CUDA的存在自动使用GPU。所以,用户需要确认他们的TensorFlow是否正确识别了CUDAcuDNN。 验证步骤也很重要,用户需要运行一些命令来检查CUDAcuDNN是否被正确识别,例如在Python中导入TensorFlow并检查GPU是否可用。如果不可用,可能需要检查环境变量,如LD_LIBRARY_PATH是否包含CUDAcuDNN路径,或者是否安装了正确的驱动版本。 可能遇到的常见问题包括版本不兼容、环境变量未正确设置、驱动版本过低等。需要提醒用户检查NVIDIA驱动是否支持CUDA 11.8,使用`nvidia-smi`查看驱动版本,并确保其兼容性。此外,如果用户之前手动安装CUDA,可能会与conda安装的版本冲突,建议优先使用conda管理这些依赖,以避免路径问题。 最后,总结步骤应该是:激活虚拟环境,安装对应版本的cudatoolkitcudnn,验证TensorFlow是否检测到GPU,处理可能的环境变量问题,并提供解决常见问题的方法。这样用户就能一步步完成配置,确保他们的TensorFlow能够正确使用GPU加速。</think>在已有TensorFlowAnaconda虚拟环境的情况下,安装CUDA 11.8 + cuDNN 8.6的步骤如下: --- ### **1. 激活虚拟环境** ```bash conda activate 你的环境名 ``` --- ### **2. 安装CUDA 11.8(通过conda管理)** 使用conda直接安装CUDA工具包(无需手动下载NVIDIA安装包): ```bash conda install -c conda-forge cudatoolkit=11.8 ``` - 注:conda会自动处理依赖关系路径配置 --- ### **3. 安装cuDNN 8.6** ```bash conda install -c conda-forge cudnn=8.6 ``` - 验证安装: ```bash conda list | grep "cudnn" ``` 应显示`cudnn 8.6.0`类似信息 --- ### **4. 验证TensorFlow是否识别GPU** 在Python中运行: ```python import tensorflow as tf print(tf.config.list_physical_devices('GPU')) ``` - **期望输出**:显示GPU设备信息(如`[PhysicalDevice(name='/physical_device:GPU:0', device_type='GPU')]`) - **若报错**:检查TensorFlow版本与CUDA/cuDNN是否兼容 --- ### **5. 版本兼容性对照** - **TensorFlow 2.10+** 要求: - CUDA 11.8 + cuDNN 8.6 - Python 3.7-3.10 - 若TensorFlow版本过低,升级: ```bash pip install tensorflow>=2.10 ``` --- ### **6. 环境变量配置(可选)** 若遇到`libcudart.so`或`libcudnn.so`缺失错误,手动添加路径: ```bash export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:$CONDA_PREFIX/lib/ ``` (建议将此命令写入虚拟环境的激活脚本) --- ### **常见问题解决** 1. **GPU未识别**: - 检查NVIDIA驱动版本:`nvidia-smi` - 驱动需支持CUDA 11.8(最低驱动版本 450.80.02) 2. **版本冲突**: - 清除缓存后重装: ```bash conda clean --all conda install --force-reinstall cudatoolkit=11.8 cudnn=8.6 ``` 3. **混合安装问题**: - 避免同时使用`conda``pip`安装CUDA相关包 --- ### **总结步骤** ```mermaid graph TD A[激活虚拟环境] --> B[安装cudatoolkit=11.8] B --> C[安装cudnn=8.6] C --> D[验证TensorFlow GPU识别] D --> E{成功?} E -- 是 --> F[完成] E -- 否 --> G[检查驱动/版本/路径] ``` 通过conda管理CUDA/cuDNN可避免系统级安装的复杂性,适合深度学习开发环境隔离需求。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

白云千载尽

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
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