上一节深度学习环境搭建:Pytorch与CUDA的安装我们讲到如何在Windows 10中安装pytorch以及与之对应版本的CUDA。安装完CUDA后Pytorch只是能使用GPU,但是真正利用GPU进行深度学习模型的搭建以及卷积计算的时候还需要安装cuDNN。下载对应的cuDNN。
这里需要注意的是在下载前需要我们先注册账号,填写对应信息,然后打开页面选择对应CUDA版本的cuDNN。
根据上一节我这里装的CUDA 11.3版本,我这里选用cuDNN 8.2.1对应cuda 11.X版本。(当然你也可以选用最新的8.4.0版本)
下载完成后,解压里边有3个文件夹
bin``include
和lib
,有两种安装方法。
**方法一:**适合只安装一个版本的cuDNN
分别将cuDNN中这三个文件夹分别复制到CUDA对应的bin``include
和lib
文件夹中。
我这里安装CUDA的时候没有使用默认路径,当时修改为:D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\
配置:
- 复制 cuDNN bin 目录下的文件到 CUDA 的 bin 目录下(.dll)
- 复制 cuDNN include 目录下的文件到 CUDA 的 include 目录下(.h)
- 复制 cuDNN lib/x64 目录下的文件到 CUDA 的 lib/x64 目录下(.lib)
- 添加一个环境变量
方法二: NVIDA安装教程中的
在CUDA安装目录下新建一个CUDNN文件夹,然后将将解压完的整个cuDNN文件复制到CUDNN目录中,将其文件地址添加到环境变量中。
验证是否安装成功:因为cuDNN只是将文件复制到CUDA对应文件夹中,并没有像安装可执行文件那样一通安装,所以想要验证有没有设置成功。这里查了网上很多文章都是讲如何安装,验证部分都是用CUDA中的两个程序deviceQuery.exe
和bandwidthTest.exe
,可是我没复制cuDNN文件的时候好像运行也没啥问题啊。然后在NVIDIA社区倒是有人说了在Linux中安装使用的时候通过验证cuDNN版本以及带的示例来验证是否安装成功。
通过NVIDIA提供的deviceQuery.exe
和bandwidthTest.exe
来查看GPU的状态,这两个执行文件均在CUDA安装目录下的D:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.3\extras\demo_suite
,打开对应文件路径下在文件路径中直接输入cmd
在当前路径下打开命令行窗口,输入上述两个可执行文件名称。
最后这里说一下使用
deviceQuery.exe
和bandwidthTest.exe
验证的还是CUDA是否配置成功。
参考:
NVIDIA cuDNN安装
windows 验证CUDA和CUDNN是否安装成功
how do I check If I install CUDA and CUDNN successfully?