相关安装问题汇总
关于版本是否适配
python, cuda, cudnn, tf/torch版本需要适配！
组合不是任意的，建议先看好版本再去下载。
下载链接
显卡驱动下载https://www.nvidia.com/Download/index.aspx?lang=en-us
cuda版本下载https://developer.nvidia.com/cuda-downloads
cuda历史版本下载https://developer.nvidia.com/cuda-toolkit-archive
cudnn版本下载https://developer.nvidia.com/rdp/cudnn-download
cudnn历史版本下载https://developer.nvidia.com/rdp/cudnn-archive
python+cuda+cudnn+tf版本适配查询https://www.tensorflow.org/install/source_windows
pytorch+cuda版本适配查询https://pytorch.org/get-started/previous-versions/
pytorch下载https://pytorch.org/get-started/locally/
pytorch历史版本https://pytorch.org/get-started/previous-versions/
环境
分清本地环境和虚拟环境。
在cmd直接安装的是在本地环境里，若在虚拟环境中安装，需要在cmd中切换到虚拟环境。1
2
3
4
5
6
7
8# 创建新的conda环境
conda create -n poiRec python=3.7
# 进入虚拟环境
activate poiRec
# 退出当前conda环境
conda deactivate
删除环境（先退出该环境）
conda remove -n poiRec --all
conda一键配环境
1 | # cuda 不写版本自动选择 |
CUDA
查看CUDA版本
C:\Windows\System32>nvidia-smi.exe
cmd中在C:\Windows\System32下1
nvidia-smi
Tensorflow-gpu
查看版本1
2import tensorflow as tf
print(tf.__version__)
查看设备1
2
3
4
5
6import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus)
print(cpus)
查看是否有GPU1
2
3
4import tensorflow as tf
gpu_device_name = tf.test.gpu_device_name()
print(gpu_device_name)
查看GPU是否可用1
tf.test.is_gpu_available()
1
2
3
4
5
6
7
8from tensorflow.python.client import device_lib
# 列出所有的本地机器设备
local_device_protos = device_lib.list_local_devices()
print(local_device_protos)
# 只打印GPU设备
[print(x) for x in local_device_protos if x.device_type == 'GPU']
查看GPU是否可用的第二种方法1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20import tensorflow as tf
# 指定在cpu上运行
with tf.device('/cpu:0'):
cpu_a = tf.random.normal([10000, 1000])
cpu_b = tf.random.normal([1000, 2000])
cpu_c = tf.matmul(cpu_a, cpu_b)
print("cpu_a:", cpu_a.device)
print("cpu_b:", cpu_b.device)
print("cpu_c:", cpu_c.device)
# 查看gpu是否可用
print(tf.config.list_physical_devices('GPU'))
# 指定在gpu上运行
with tf.device('/gpu:0'):
gpu_a = tf.random.normal([10000, 1000])
gpu_b = tf.random.normal([1000, 2000])
gpu_c = tf.matmul(gpu_a, gpu_b)
print("gpu_a:", gpu_a.device)
print("gpu_b:", gpu_b.device)
print("gpu_c:", gpu_c.device)
比较CPU和GPU运行时间1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23import tensorflow as tf
import timeit
def cpu_run():
with tf.device('/cpu:0'):
cpu_a = tf.random.normal([10000, 1000])
cpu_b = tf.random.normal([1000, 2000])
c = tf.matmul(cpu_a, cpu_b)
return c
def gpu_run():
with tf.device('/gpu:0'):
gpu_a = tf.random.normal([10000, 1000])
gpu_b = tf.random.normal([1000, 2000])
c = tf.matmul(gpu_a, gpu_b)
return c
cpu_time = timeit.timeit(cpu_run, number=10)
gpu_time = timeit.timeit(gpu_run, number=10)
print("cpu:", cpu_time, " gpu:", gpu_time)
Pytorch-gpu
查看版本1
2
3
4import torch
print(torch.__version__) #查看pytorch版本
print(torch.cuda_version) #查看cuda版本
print(torch.cuda.is_available()) #查看cuda是否可用
装pytorch+CUDA1
pip3 install torch==1.8.1+cu101 torchvision==0.9.1+cu101 -f https://download.py torch.org/whl/cu101/torch_stable.html
安装特定版本1
pip install torch==1.1.0 -f https://download.pytorch.org/whl/torch_stable.html
1 | # 验证GPU是否能用 |
