cudnn

一、Linux查看CUDA和CUDNN版本 cuda 版本 cat /usr/local/cuda/version.txt cudnn 版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 二、Tensorflow版本和cuda/cudnn版本的对应关系 参考官网地址： Windows端： https://tensorflow.google.cn/install/source_windows CPU GPU Linux端： https://tensorflow.google.cn/install/source CPU GPU MacOS端 CPU GPU 感谢浏览！ 来源： CSDN 作者： 帅气的益达 链接： https://blog.csdn.net/zhangyonghui007/article/details/93603024

1、在这里查看支持的做机器学习计算的显卡： https://developer.nvidia.com/cuda-gpus#collapse4 需要到NVIDIA下载cuda与cudann，这里最重要的是注意cuda与cudann与tensorflow三者的搭配 2、关于nvidia显卡驱动版本，cuda版本，cudnn版本关系参考： https://blog.csdn.net/iamqianrenzhan/article/details/89343601 https://blog.csdn.net/u013066730/article/details/80980940 查看的电脑上的NVIDIA控制面板里的系统信息窗口里的组件信息，显示的NVIDIA版本是是cuda driver版本，并非要安装的cuda runtime的版本 3、安装cuda 官方指南： https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html csdn博客： https://blog.csdn.net/XCCCCZ/article/details/80385448 https://blog.csdn.net/u010618587/article/details/82940528 4、下载cuDNN 官方指南

Win10安装Anconda 、Tensorflow、Cuda、cudnn 下载并安装Cuda、cudnn、Anaconda 一个安装Cuda教程（带图） Cuda官网下载链接 :https://developer.nvidia.com/cuda-toolkit-archive 从中选择和自己电脑相匹配的版本，如果不知道自己的显卡支持什么版本，英伟达（Nvidia）的可以去这里查： https://developer.nvidia.com/cuda-gpus 。比如说我的是GeForce RTX2080，那么它就支持7.5及之后版本。鉴于我的两次重装教训，建议大家也可以先从后面的Anaconda和tensorflow装起，在验证tensorflow是否安装成功时，输入： import tensorflow as tf 之后便会报错，说你没有安装cuda，特别注意里头的： 64_100这是在告诉你应该要装10.0的cuda，如果是63_90,那就是在说应该装9.0版本的cuda。那么你心里对装哪一版就大概有个数了~ 选择好了版本，按照自己电脑型号并选择exe(local)再下载： 然后，下载完了就是一堆同意、继续、下一步，一般都能装成功的。验证方法是：win+R，输入cmd，回车，输入 nvcc -V ，回车，若出现了NVIDIA Cuda compiler driver

背景 笔者的笔记本显卡是1050。 原料 Win10上搭建TensorFlow的开发环境需要至少需要安装3个软件，分别为：1.python，2.CUDA和CuDNN，3.TensorFlow（GPU版）。安装前一定要确认好每个软件的版本是否相互支持。 1. Python 相比于作为一个过渡版本的Python 2.6，笔者选择的是Python 3.6。在安装时，选择了Anaconda（一个开源的Python发行版本）的最新版本。Anaconda包含了conda、Python等180多个科学包及其依赖项，功能十分强大。 Anaconda下载地址： https://www.anaconda.com/download/ 2. CUDA和CuDNN CUDA是NVIDIA推出的运算平台，CuDNN是专门针对Deep Learning框架设计的一套GPU计算加速方案。在安装之前要查询下最新TensorFLow发行版支持到了哪个版本。笔者在安装TensorFLow时，CUDA已经到了9.1版本，但是TensorFLow1.7只支持到9.0版。另外，也要确认CUDA版本是否支持自己的显卡。笔者电脑的MX150只有CUDA9.0及以上的版本才支持。基于以上两个条件，笔者选择了CUDA9.0，并下载了对应的CuDNN版本。另外，笔者在后续的编程中发现tensorflow1.7只支持7.0的CuDNN。

anaconda: Step1：官网下载linux版本的安装包 下载链接：https://www.continuum.io/downloads#linux Anaconda和Python版本是对应的，所以需要选择安装对应Python2.7版本的还是Python3.6版本的，根据自己的需要下载合适的安装包。 如果ubuntu系统是64bit，记得下载64bit的： 安装包大概有500M，下载得一段时间。 Step2：安装Anaconda 其实安装方式很简单，官网的下载页面也给出了安装命令。下载好的文件在Downloads文件夹下面，所以打开终端执行下列命令：( 不能使用sudo sh来运行） [cpp] view plain copy cd Downloads bash Anaconda2-4.4.0-Linux-x86_64.sh 之后会出现欢迎信息，告诉你要阅读许可文件： 根据提示按回车键阅读，注意按一次回车之后左下角会显示一个“--More--”，意思是许可信息还没显示完，一直按回车，知道最后许可信息显示完出现下面提示： 问你是否接受许可文件，输入yes继续安装即可。 之后就提示你要将Anaconda安装在目录/home/yourname/anaconda2下面：（建议使用此目录） 直接按回车键表示使用此目录，此时就进行安装过程了

PyTorch简介 为什么要用PyTorch？ 在讲PyTorch的优点前，先讲现在用的最广的TensorFlow。 TensorFlow提供了一套深度学习从定义到部署的工具链，非常强大齐全的一套软件包，很适合工程使用，但也正是为了工程使用， TensorFlow部署模型是基于静态计算图设计的，计算图需要提前定义好计算流程，这与传统的程序语言(host language)不同。这样做可让同一计算图平行运行在多个GPU上，加快和优化模型计算。但这样设计限制了TensorFlow的灵活性。 我个人理解静态图和铺下水管道很像，TensorFlow需要将所有管道都铺好后(模型定义完成)，通过Session向系统申请注水(数据)，水流经过管道才能获取对应管道的值，这样的架构不利于Debug，因为定义模型的时候是没有数据流动，无法查看数据变换过程。这导致了Python提供的很多操作运算都不好使。 PyTorch支持动态计算图，能够提供线上操作，这在定义网络上操作更简单，静态图需要一个个操作声明，而动态图可以调用各种函数。并且因为是动态图，在改变网络的某一层或者改变一些变量，例如动态修改学习率，对模型做fine-tune操作，都更简单方便。 PyTorch非常适合调用新模型，用于设计自己的架构，测试新想法~ 当然我学习PyTorch的一个非常关键的原因： 许多新的模型是使用PyTorch实现的~

tf1.13.1 及 tf2.0.0 相关依赖及版本 硬件说明：显卡NVIDIA-GEFORCE-GTX-1060 1.驱动版本检查，并且更新显卡驱动【这一步很重要，你的驱动版本低了，cuda及cudnn就可能出错】 错误：DLL load failed: 找不到指定的模块。 cmd中输入：nvidia-smi 显卡驱动已经是最新的了。如果不是最新的显卡驱动，需要手动更新一下。 补充：驱动version对应 cuda 和 cudnn的版本 我们安装的cuda 是10.0.130 所以：win10对应的nvidia的驱动版本要大于411.31。【我更新后的显卡驱动为：436.48满足条件】 假如你的驱动版本低于411.31，就需要更新驱动 驱动下载地址：https://www.nvidia.com/Download/index.aspx?lang=en-us 选择下载版本：根据自己电脑的显卡型号进行选择（百度相关机型，就能有详细信息；也可以在硬件里查看；） 第一次下载的标准版本，提示我的电脑windows Drivers Type 为DCH 而不是标准版本，所以重新下载安装成功。 下载的驱动：436.48-desktop-win10-64bit-international-dch-whql.exe 按提示（prompts）安装即可。 说明：我是先卸载原有NVIDIA驱动之后安装的

Ubuntu16.04安装nvidia驱动+CUDA+cuDNN 准备工作 1.查看GPU是否支持CUDA lspci | grep -i nvidia 2.查看Linux版本 uname -m && cat /etc/*release nvidia驱动 1. 先卸载原有N卡驱动 #for case1: original driver installed by apt-get: sudo apt-get remove --purge nvidia* #for case2: original driver installed by runfile: sudo chmod +x *.run sudo ./NVIDIA-Linux-x86_64-384.59.run --uninstall 2. 禁用nouveau驱动 sudo gedit /etc/modprobe.d/blacklist.conf 在文本最后添加： blacklist nouveau options nouveau modeset=0 然后执行： sudo update-initramfs -u 重启之后，可以查看nouveau有没有运行: lsmod | grep nouveau # 没输出代表禁用生效 3.禁用X-Window服务 sudo service lightdm stop #这会关闭图形界面 按Ctrl

安装 tensorflow-gpu 过程挺曲折的： 首先我想安装的是 tensorflow-gpu 1.14 基于pthon3的版本。 我安装tensorflow主要用于学习和研究，主要工作还是从事其它软件的开发工作，故而首先安装的是vs2017 .net 和 c++. 正确的步如下： 1. 安装 anaconda; (1)新建一个环境 gtensorflow >>conda create -n gtensorflow python=3.7 最初创建的时候写的3.5，但后面看到系统安装的是3.7 (2)激活环境 >>activate gtensorflow (3)安装tensorflow-gpu >>pip intsall tensorflow-gpu==1.14 2. 安装完后，去目录“C:\Users\aliange\Anaconda3\envs\gtensorflow\Lib\site-packages\tensorflow\python\platform”下打开 build_info.py 可以看到 cuda_version_number = '10.0' #cuda toolkits 的版本 cudnn_version_number = '7' #cudnn的大版本 msvcp_dll_name = 'msvcp140.dll' #这个和vc相关是编译时使用的vc版本

在 windows 10 下部署 Caffe 花了很多时间才调通，记录下 key 节点以便后续查询： 一、安装软件： 1、安装 Microsoft Virtual Studio 2013 / Matlab 2015a / CUDA 7.5： 需要注意的是， VS2013 需要先安装，以便于 Matlab 识别 VS路径，CUDA 绑定内容；总之需要 VS2013 第一个安装； 其中， VS2013 SP5 是必须的版本，据 happynear [ CSDN ， GitHub ]描述，Caffe 在 VS2012 下编译速度很慢（自测 VS2013 约半小时，i7 6700HQ / 64G / 970M / 3G + SSD）； CUDA 测试用的 7.5 版本，其他版本的 Caffe 不知道是否需要修改相关源码； Matlab 测试使用的是 2015a，在前一次重置系统前是 2015b，似乎也没有异常，默认是 2014b，有欢迎留言反馈其他版本； 2、安装 cuDNN： cuDNN 改善了 Caffe native 卷基层效率不高的弱点（参见 赵永科/卜居 先生的大作《 深度学习-21天实战caffe 》一书 P356 所提到的 卷积网络性能对比 ），笔者下载的分支为 Microsoft 为 windows 所开发的分支，支持 cuDNN V3/V4，对于最新版本为 V5