Linux安装CUDA的正确姿势

万次阅读 多人点赞 2018-08-20 23:12:39

Linux安装CUDA的正确姿势 CUDA（Compute Unified Device Architecture，统一计算架构）是由NVIDIA所推出的一种集成技术，是该公司对于GPGPU的正式名称。透过这个技术，用户可利用NVIDIA的GeForce 8以后的GPU和较...

Linux安装CUDA的正确姿势

CUDA（Compute Unified Device Architecture，统一计算架构）是由NVIDIA所推出的一种集成技术，是该公司对于GPGPU的正式名称。

透过这个技术，用户可利用NVIDIA的GeForce 8以后的GPU和较新的Quadro GPU进行计算。

查看显卡是否支持CUDA

输入下面命令查看电脑的NVIDIA型号：

vincent@dell-Inspiron-7559 Dir:~
·····$lspci | grep -i nvidia
02:00.0 3D controller: NVIDIA Corporation GM107M [GeForce GTX 960M] (rev a2)

我的显卡型号为： GeForce GTX 960M

然后到官网查看是否支持CUDA，网址地址。

下载CUDA文件

下载最新的CUDA软件安装包， CUDA Toolkit 9.2 Download。

这里写图片描述

我们选择runfile文件进行安装。然后放到一个目录下，要记住，后面我们会要执行它。

确认安装环境

1. NVIDIA显卡已经正常安装

2. nouveau已经禁用

可以使用下面命令查看，如果没有输出代表成功：

lsmod | grep nouveau

如果正确安装了NVIDIA的驱动就会禁止掉了。

3. 验证系统是否安装了gcc

终端输入下面命令查看是否安装:

vincent@dell-Inspiron-7559 Dir:~
·····$gcc --version
gcc (Ubuntu 7.3.0-16ubuntu3) 7.3.0
Copyright (C) 2017 Free Software Foundation, Inc.
This is free software; see the source for copying conditions.  There is NO
warranty; not even for MERCHANTABILITY or FITNESS FOR A PARTICULAR PURPOSE.

安装CUDA

1. 进入tty界面

按alt + ctrl + F1进入tty命令行界面,登录用户和密码

2. 关闭图形界面

在tty中输入下面命令关闭图形界面:

sudo service lightdm stop

或者

sudo telinit 3

3. 运行cuda文件

首先给cuda可执行权限：

sudo chmod a+x cuda_9.2_linux.run

运行cuda文件：

sudo ./cuda_9.2_linux.run --no-opengl-libs

cuda主要有以下参数：

--no-opengl-libs：表示只安装驱动文件，不安装OpenGL文件。必需参数，原因同上。注意：不是-no-opengl-files。
--uninstall (deprecated)：用于卸载CUDA Driver（已废弃）。
--toolkit：表示只安装CUDA Toolkit，不安装Driver和Samples
--help：查看更多高级选项。

4. 安装过程的选项选择

(1). 会先有个阅读声明，一直按D即可，然后accept。
(2). 选项install nvidia accelerated Graphics Driver,输入n，因为我们已经安装了nvidia的驱动。
(3). 选项install the OpenGL libraries,如果双显卡(集显+独显)选择n，如果只有独显可以选择y，如果双显卡选择y的话，会出现黑屏或者循环登录的问题，如果加了上面的参数就不会出现这个选项了。
(4). 后面的可以都选择yes，最后一个选项我们可以选择n,也就是不复制Samples，因为安装目录下有samples。

安装过程结束后会有以下信息：

Driver ：Installed
Toolkit ：Installed in /usr/local/cuda-9.2
Samples ：Installed in /home/vincent

代表安装完成，但是不代表成功。这时需要重启。

5. 验证cuda是否成功安装

重启进入界面，打开终端输入：

export PATH="/usr/local/cuda-9.2/bin:$PATH" 
export LD_LIBRARY_PATH="/usr/local/cuda-9.2/lib64:$LD_LIBRARY_PATH"

这两条命令是将cuda的bin文件和lib导出到系统环境中。
如果安装的版本不是一样的，更换路径中的cuda-9.2。

(1). 终端输入：

nvcc -V

如果有CUDA的版本信息代表正常。

(2). 编译samples例子

#编译并测试设备 deviceQuery：
cd /usr/local/cuda-9.2/samples/1_Utilities/deviceQuery
sudo make
./deviceQuery

#编译并测试带宽 bandwidthTest：
cd ../bandwidthTest
sudo make
./bandwidthTest

如果这两个测试的最后结果都是Result = PASS，说明CUDA安装成功啦。

备注：
如果安装失败，有可能是缺少依赖，终端执行：

sudo apt-get install freeglut3-dev \
build-essential \
libx11-dev \
libxmu-dev \
libxi-dev \
libgl1-mesa-glx \
libglu1-mesa \
libglu1-mesa-dev

(6). 将cuda的bin和lib写入系统环境

打开~.bashrc文件在末尾追加两句：

export CUDA_HOME=/usr/local/cuda-9.2
export LD_LIBRARY_PATH=/usr/local/cuda-9.2/lib64:$LD_LIBRARY_PATH
export PATH=/usr/local/cuda-9.2/bin:$PATH

然后退出重新打开终端即可。

CUDA卸载

CUDA默认安装在 /usr/local/cuda-9.2下，用下面的命令卸载：：

sudo /usr/local/cuda-9.2/bin/uninstall_cuda-9.2.pl

NVIDIA驱动卸载：

sudo /usr/bin/nvidia-uninstall

卸载过程一路都是yes。

其他问题

1. 如果出现循环登录

按alt + ctrl + F1进入tty,然后切换集显:

sudo  prime-select intel

卸载cuda文件:

sudo /usr/local/cuda-9.2/bin/uninstall_cuda_9.2.pl

如果重启之后还是不能进入，那就把nvidia驱动卸载:

sudo /usr/bin/nvidia-uninstall

也可以在启动时选择Advanced然后以root方式进入系统，卸载nvidia、cuda等软件。

然后重启，如果重启黑屏，在grub界面进入linux的选择上按e键，找到quiet splash,在后面加nouveau.modeset=0，然后按F10启动。
然后安装nvidia驱动，再安装CUDA软件。

2.gcc版本校验失败
如果安装cuda过程中出现

Failed to verify gcc version

那么很有可能你的gcc版本太高，例如：cuda 10.1要求gcc版本是7.3.0，但是ubuntu 20.04/linux mint 20默认gcc版本为9.3.0，所以可以增加下面参数安装。

sudo sh cuda_10.1.243_418.87.00_linux.run --override

END

收起

展开全文

Ubuntu安装和卸载CUDA和CUDNN

万次阅读 多人点赞 2018-06-14 12:08:15

最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。卸载CUDA 为什么一...


原文博客：Doi技术团队

链接地址：https://blog.doiduoyi.com/authors/1584446358138

初心：记录优秀的Doi技术团队学习经历

目录
文章目录
目录
前言
安装显卡驱动
禁用nouveau驱动
下载驱动
卸载旧驱动
安装新驱动
卸载CUDA
安装CUDA
下载和安装CUDA
测试安装是否成功
下载和安装CUDNN
测试安装结果
参考资料

前言
最近在学习PaddlePaddle在各个显卡驱动版本的安装和使用，所以同时也学习如何在Ubuntu安装和卸载CUDA和CUDNN，在学习过程中，顺便记录学习过程。在供大家学习的同时，也在加强自己的记忆。本文章以卸载CUDA 8.0 和 CUDNN 7.05 为例，以安装CUDA 10.0 和 CUDNN 7.4.2 为例。
安装显卡驱动
禁用nouveau驱动
sudo vim /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

重启后，执行以下命令，如果没有屏幕输出，说明禁用nouveau成功：
lsmod | grep nouveau

下载驱动
官网下载地址：https://www.nvidia.cn/Download/index.aspx?lang=cn ，根据自己显卡的情况下载对应版本的显卡驱动，比如笔者的显卡是RTX2070：


下载完成之后会得到一个安装包，不同版本文件名可能不一样：
NVIDIA-Linux-x86_64-410.93.run

卸载旧驱动
以下操作都需要在命令界面操作，执行以下快捷键进入命令界面，并登录：
Ctrl-Alt+F1

执行以下命令禁用X-Window服务，否则无法安装显卡驱动：
sudo service lightdm stop

执行以下三条命令卸载原有显卡驱动：
sudo apt-get remove --purge nvidia*
sudo chmod +x NVIDIA-Linux-x86_64-410.93.run
sudo ./NVIDIA-Linux-x86_64-410.93.run --uninstall

安装新驱动
直接执行驱动文件即可安装新驱动，一直默认即可：
sudo ./NVIDIA-Linux-x86_64-410.93.run

执行以下命令启动X-Window服务
sudo service lightdm start

最后执行重启命令，重启系统即可：
reboot

注意： 如果系统重启之后出现重复登录的情况，多数情况下都是安装了错误版本的显卡驱动。需要下载对应本身机器安装的显卡版本。
卸载CUDA
为什么一开始我就要卸载CUDA呢，这是因为笔者是换了显卡RTX2070，原本就安装了CUDA 8.0 和 CUDNN 7.0.5不能够正常使用，笔者需要安装CUDA 10.0 和 CUDNN 7.4.2，所以要先卸载原来的CUDA。注意以下的命令都是在root用户下操作的。
卸载CUDA很简单，一条命令就可以了，主要执行的是CUDA自带的卸载脚本，读者要根据自己的cuda版本找到卸载脚本：
sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl

卸载之后，还有一些残留的文件夹，之前安装的是CUDA 8.0。可以一并删除：
sudo rm -rf /usr/local/cuda-8.0/

这样就算卸载完了CUDA。
安装CUDA
安装的CUDA和CUDNN版本：

CUDA 10.0
CUDNN 7.4.2

接下来的安装步骤都是在root用户下操作的。
下载和安装CUDA
我们可以在官网：CUDA10下载页面，

下载符合自己系统版本的CUDA。页面如下：


下载完成之后，给文件赋予执行权限：
chmod +x cuda_10.0.130_410.48_linux.run

执行安装包，开始安装：
./cuda_10.0.130_410.48_linux.run

开始安装之后，需要阅读说明，可以使用Ctrl + C直接阅读完成，或者使用空格键慢慢阅读。然后进行配置，我这里说明一下：
（是否同意条款，必须同意才能继续安装）
accept/decline/quit: accept

（这里不要安装驱动，因为已经安装最新的驱动了，否则可能会安装旧版本的显卡驱动，导致重复登录的情况）
Install NVIDIA Accelerated Graphics Driver for Linux-x86_64 410.48?
(y)es/(n)o/(q)uit: n

Install the CUDA 10.0 Toolkit?（是否安装CUDA 10 ，这里必须要安装）
(y)es/(n)o/(q)uit: y

Enter Toolkit Location（安装路径，使用默认，直接回车就行）
 [ default is /usr/local/cuda-10.0 ]:  

Do you want to install a symbolic link at /usr/local/cuda?（同意创建软链接）
(y)es/(n)o/(q)uit: y

Install the CUDA 10.0 Samples?（不用安装测试，本身就有了）
(y)es/(n)o/(q)uit: n

Installing the CUDA Toolkit in /usr/local/cuda-10.0 ...（开始安装）

安装完成之后，可以配置他们的环境变量，在vim ~/.bashrc的最后加上以下配置信息：
export CUDA_HOME=/usr/local/cuda-10.0
export LD_LIBRARY_PATH=${CUDA_HOME}/lib64
export PATH=${CUDA_HOME}/bin:${PATH}

最后使用命令source ~/.bashrc使它生效。
可以使用命令nvcc -V查看安装的版本信息：
test@test:~$ nvcc -V
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2018 NVIDIA Corporation
Built on Sat_Aug_25_21:08:01_CDT_2018
Cuda compilation tools, release 10.0, V10.0.130

测试安装是否成功
执行以下几条命令：
cd /usr/local/cuda-10.0/samples/1_Utilities/deviceQuery
make
./deviceQuery

正常情况下输出：
./deviceQuery Starting...

 CUDA Device Query (Runtime API) version (CUDART static linking)

Detected 1 CUDA Capable device(s)

Device 0: "GeForce RTX 2070"
  CUDA Driver Version / Runtime Version          10.0 / 10.0
  CUDA Capability Major/Minor version number:    7.5
  Total amount of global memory:                 7950 MBytes (8335982592 bytes)
  (36) Multiprocessors, ( 64) CUDA Cores/MP:     2304 CUDA Cores
  GPU Max Clock rate:                            1620 MHz (1.62 GHz)
  Memory Clock rate:                             7001 Mhz
  Memory Bus Width:                              256-bit
  L2 Cache Size:                                 4194304 bytes
  Maximum Texture Dimension Size (x,y,z)         1D=(131072), 2D=(131072, 65536), 3D=(16384, 16384, 16384)
  Maximum Layered 1D Texture Size, (num) layers  1D=(32768), 2048 layers
  Maximum Layered 2D Texture Size, (num) layers  2D=(32768, 32768), 2048 layers
  Total amount of constant memory:               65536 bytes
  Total amount of shared memory per block:       49152 bytes
  Total number of registers available per block: 65536
  Warp size:                                     32
  Maximum number of threads per multiprocessor:  1024
  Maximum number of threads per block:           1024
  Max dimension size of a thread block (x,y,z): (1024, 1024, 64)
  Max dimension size of a grid size    (x,y,z): (2147483647, 65535, 65535)
  Maximum memory pitch:                          2147483647 bytes
  Texture alignment:                             512 bytes
  Concurrent copy and kernel execution:          Yes with 3 copy engine(s)
  Run time limit on kernels:                     Yes
  Integrated GPU sharing Host Memory:            No
  Support host page-locked memory mapping:       Yes
  Alignment requirement for Surfaces:            Yes
  Device has ECC support:                        Disabled
  Device supports Unified Addressing (UVA):      Yes
  Device supports Compute Preemption:            Yes
  Supports Cooperative Kernel Launch:            Yes
  Supports MultiDevice Co-op Kernel Launch:      Yes
  Device PCI Domain ID / Bus ID / location ID:   0 / 1 / 0
  Compute Mode:
     < Default (multiple host threads can use ::cudaSetDevice() with device simultaneously) >

deviceQuery, CUDA Driver = CUDART, CUDA Driver Version = 10.0, CUDA Runtime Version = 10.0, NumDevs = 1
Result = PASS

下载和安装CUDNN
进入到CUDNN的下载官网：https://developer.nvidia.com/rdp/cudnn-download ，然点击Download开始选择下载版本，当然在下载之前还有登录，选择版本界面如下，我们选择cuDNN Library for Linux：


下载之后是一个压缩包，如下：
cudnn-10.0-linux-x64-v7.4.2.24.tgz 

然后对它进行解压，命令如下：
tar -zxvf cudnn-10.0-linux-x64-v7.4.2.24.tgz 

解压之后可以得到以下文件：
cuda/include/cudnn.h
cuda/NVIDIA_SLA_cuDNN_Support.txt
cuda/lib64/libcudnn.so
cuda/lib64/libcudnn.so.7
cuda/lib64/libcudnn.so.7.4.2
cuda/lib64/libcudnn_static.a

使用以下两条命令复制这些文件到CUDA目录下：
cp cuda/lib64/* /usr/local/cuda-10.0/lib64/
cp cuda/include/* /usr/local/cuda-10.0/include/

拷贝完成之后，可以使用以下命令查看CUDNN的版本信息：
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2

测试安装结果
到这里就已经完成了CUDA 10 和 CUDNN 7.4.2 的安装。可以安装对应的Pytorch的GPU版本测试是否可以正常使用了。安装如下：
pip3 install https://download.pytorch.org/whl/cu100/torch-1.0.0-cp35-cp35m-linux_x86_64.whl
pip3 install torchvision

然后使用以下的程序测试安装情况：
import torch
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim
import torch.backends.cudnn as cudnn
from torchvision import datasets, transforms


class Net(nn.Module):
    def __init__(self):
        super(Net, self).__init__()
        self.conv1 = nn.Conv2d(1, 10, kernel_size=5)
        self.conv2 = nn.Conv2d(10, 20, kernel_size=5)
        self.conv2_drop = nn.Dropout2d()
        self.fc1 = nn.Linear(320, 50)
        self.fc2 = nn.Linear(50, 10)

    def forward(self, x):
        x = F.relu(F.max_pool2d(self.conv1(x), 2))
        x = F.relu(F.max_pool2d(self.conv2_drop(self.conv2(x)), 2))
        x = x.view(-1, 320)
        x = F.relu(self.fc1(x))
        x = F.dropout(x, training=self.training)
        x = self.fc2(x)
        return F.log_softmax(x, dim=1)


def train(model, device, train_loader, optimizer, epoch):
    model.train()
    for batch_idx, (data, target) in enumerate(train_loader):
        data, target = data.to(device), target.to(device)
        optimizer.zero_grad()
        output = model(data)
        loss = F.nll_loss(output, target)
        loss.backward()
        optimizer.step()
        if batch_idx % 10 == 0:
            print('Train Epoch: {} [{}/{} ({:.0f}%)]\tLoss: {:.6f}'.format(
                epoch, batch_idx * len(data), len(train_loader.dataset),
                       100. * batch_idx / len(train_loader), loss.item()))

def main():
    cudnn.benchmark = True
    torch.manual_seed(1)
    device = torch.device("cuda")
    kwargs = {'num_workers': 1, 'pin_memory': True}
    train_loader = torch.utils.data.DataLoader(
        datasets.MNIST('../data', train=True, download=True,
                       transform=transforms.Compose([
                           transforms.ToTensor(),
                           transforms.Normalize((0.1307,), (0.3081,))
                       ])),
        batch_size=64, shuffle=True, **kwargs)

    model = Net().to(device)
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.5)

    for epoch in range(1, 11):
        train(model, device, train_loader, optimizer, epoch)


if __name__ == '__main__':
    main()


如果正常输出一下以下信息，证明已经安装成了：
Train Epoch: 1 [0/60000 (0%)]	Loss: 2.365850
Train Epoch: 1 [640/60000 (1%)]	Loss: 2.305295
Train Epoch: 1 [1280/60000 (2%)]	Loss: 2.301407
Train Epoch: 1 [1920/60000 (3%)]	Loss: 2.316538
Train Epoch: 1 [2560/60000 (4%)]	Loss: 2.255809
Train Epoch: 1 [3200/60000 (5%)]	Loss: 2.224511
Train Epoch: 1 [3840/60000 (6%)]	Loss: 2.216569
Train Epoch: 1 [4480/60000 (7%)]	Loss: 2.181396

参考资料

https://developer.nvidia.com
https://www.cnblogs.com/luofeel/p/8654964.html


                        
                        深度学习与PyTorch实战

收起

展开全文

CUDNN NVIDIA

tensorflow各个版本的CUDA以及Cudnn版本对应关系

万次阅读 多人点赞 2019-04-08 14:50:34

CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。 CUDA的本质是一个工具包（ToolKit）；但是二者...

概述，需要注意以下几个问题：

（1）NVIDIA的显卡驱动程序和CUDA完全是两个不同的概念哦！CUDA是NVIDIA推出的用于自家GPU的并行计算框架，也就是说CUDA只能在NVIDIA的GPU上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥CUDA的作用。

CUDA的本质是一个工具包（ToolKit）；但是二者虽然不一样的。

显卡驱动的安装：

当我们使用一台电脑的时候默认的已经安装了NVIDIA的显卡驱动，因为没有显卡驱动根本用不了显卡嘛，但是这个时候我们是没有CUDA可以用的，我们可以更新我们的驱动，更新链接为：

https://www.nvidia.com/Download/index.aspx?lang=en-us

在这个里面可以根据自己的显卡类型选择最新的驱动程序。显卡驱动程序当前大小大概500多M。

CUDA ToolKit的安装：

CUDA的下载地址为：https://developer.nvidia.com/cuda-downloads

我们可以选择两种安装方式，一种是在线安装（我还没用过），一中离线安装（我采用的）即本地安装，

当我们选择离线安装，当我们选定相对应的版本之后，下载的时候发现这个地方的文件大小大概在2G左右，Linux系统下面我们选择runfile(local) 完整安装包从本地安装，或者是选择windows的本地安装。CUDA Toolkit本地安装包时内含特定版本Nvidia显卡驱动的，所以只选择下载CUDA Toolkit就足够了，如果想安装其他版本的显卡驱动就下载相应版本即可。

所以，NVIDIA显卡驱动和CUDA工具包本身是不具有捆绑关系的，也不是一一对应的关系，只不过是离线安装的CUDA工具包会默认携带与之匹配的最新的驱动程序。

注意事项：NVIDIA的显卡驱动器与CUDA并不是一一对应的哦，CUDA本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的CUDA工具包，比如我的电脑上同事安装了 CUDA 9.0、CUDA 9.2、CUDA 10.0三个版本。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同CUDA工具包就可以了，但是由于使用离线的CUDA总是会捆绑CUDA和驱动程序，所以在使用多个CUDA的时候就不要选择离线安装的CUDA了，否则每次都会安装不同的显卡驱动，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的CUDA即可。

总结：CUDA和显卡驱动是没有一一对应的。

（2）cuDNN是一个SDK，是一个专门用于神经网络的加速包，注意，它跟我们的CUDA没有一一对应的关系，即每一个版本的CUDA可能有好几个版本的cuDNN与之对应，但一般有一个最新版本的cuDNN版本与CUDA对应更好。

总结：cuDNN与CUDA没有一一对应的关系

（3）CUDA 工具包附带的 CUPTI。

CUPTI，即CUDA Profiling Tools Interface (CUPTI)。在CUDA分析工具接口（CUPTI）能够分析和跟踪靶向CUDA应用程序的工具的创建。CUPTI提供以下API：

Activity API，
Callback API，
事件API，
Metric API，和
Profiler API。

使用这些API，您可以开发分析工具，深入了解CUDA应用程序的CPU和GPU行为。CUPTI作为CUDA支持的所有平台上的动态库提供。请参阅CUPTI文档。

一、tensorflow各个版本需要的CUDA版本以及Cudnn的对应关系

1.1 对应表格

相应的网址为：

https://www.tensorflow.org/install/source#common_installation_problems

https://www.tensorflow.org/install/source_windows

版本	Python 版本	编译器	编译工具	cuDNN	CUDA
tensorflow_gpu-2.0.0-alpha0	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2	7.4.1以及更高版本	CUDA 10.0 (需要 410.x 或更高版本)
tensorflow_gpu-1.13.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.19.2	7.4	10.0
tensorflow_gpu-1.12.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.11.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.10.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.15.0	7	9
tensorflow_gpu-1.9.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.11.0	7	9
tensorflow_gpu-1.8.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.10.0	7	9
tensorflow_gpu-1.7.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.6.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.9.0	7	9
tensorflow_gpu-1.5.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.8.0	7	9
tensorflow_gpu-1.4.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.5.4	6	8
tensorflow_gpu-1.3.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	6	8
tensorflow_gpu-1.2.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.5	5.1	8
tensorflow_gpu-1.1.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8
tensorflow_gpu-1.0.0	2.7、3.3-3.6	GCC 4.8	Bazel 0.4.2	5.1	8

现在NVIDIA的显卡驱动程序已经更新到 10.1版本，最新的支持CUDA 10.1版本的cuDNN为7.5.0

1.2 CUDA的命名规则

下面以几个例子来说

（1）CUDA 9.2

CUDA 9.2.148

（2）CUDA 10.0

CUDA 10.0.130.411.31（后面的411.31对应更具体的版本号）

（3）CUDA 10.1

CUDA 10.1.105.418.96（后面的418.96对应更具体的版本号）

1.3 如何查看自己所安装的CUDA的版本：

（1）直接在NVIDIA的控制面板里面查看NVCUDA.DLL的版本。

注意：这里网上有很多说法是错误的，这个版本并不能绝对说明自己所安装的CUDA工具包一定这个版本

（2）通过命令查看：nvcc -V 或者是nvcc --version都可以，但前提是添加了环境变量

（3）直接通过文件查看，这里分为Linux和windows两种情况

在windows平台下，可以直接进入CUDA的安装目录，比如我的是：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2 里面有一个version.txt的文本文件，直接打开即可，也可以使用命令，即

首先进入到安装目录，然后执行：type version.txt 即可查看

在Linux平台下：

同windows类似，进入到安装目录，然后执行 cat version.txt 命令

1.4 如何查看自己的cuDNN的版本

因为cuDNN本质上就是一个C语言的H头文件，

（1）在windows平台下：

直接进入安装目录：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2\include 之下，然后找到

cudnn.h 的头文件，直接到开查看，在最开始的部分会有如下定义：

#define CUDNN_MAJOR 7
#define CUDNN_MINOR 5
#define CUDNN_PATCHLEVEL 0

#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

即7500，也就是cudnn的版本为7.5.0版本；

（2）在Linux下当然也可以直接查看，但是通过命令更简单，进入到安装目录，执行如下命令：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 即可查询

即5005，即5.0.5版本的cudnn。

二、CUDA与相对应的Cudnn对应关系

Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 10.0

Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 9.2

Download cuDNN v7.4.2 (Dec 14, 2018), for CUDA 9.0

Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 10.0

Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 9.2

Download cuDNN v7.4.1 (Nov 8, 2018), for CUDA 9.0

Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 10.0

Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 9.2

Download cuDNN v7.3.1 (Sept 28, 2018), for CUDA 9.0

Download cuDNN v7.3.0 (Sept 19, 2018), for CUDA 10.0

Download cuDNN v7.3.0 (Sept 19, 2018), for CUDA 9.0

Download cuDNN v7.2.1 (August 7, 2018), for CUDA 9.2

Download cuDNN v7.1.4 (May 16, 2018), for CUDA 9.2

Download cuDNN v7.1.4 (May 16, 2018), for CUDA 9.0

Download cuDNN v7.1.4 (May 16, 2018), for CUDA 8.0

Download cuDNN v7.1.3 (April 17, 2018), for CUDA 9.1

Download cuDNN v7.1.3 (April 17, 2018), for CUDA 9.0

Download cuDNN v7.1.3 (April 17, 2018), for CUDA 8.0

Download cuDNN v7.1.2 (Mar 21, 2018), for CUDA 9.1 & 9.2

Download cuDNN v7.1.2 (Mar 21, 2018), for CUDA 9.0

Download cuDNN v7.0.5 (Dec 11, 2017), for CUDA 9.1

Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 9.0

Download cuDNN v7.0.5 (Dec 5, 2017), for CUDA 8.0

Download cuDNN v7.0.4 (Nov 13, 2017), for CUDA 9.0

Download cuDNN v6.0 (April 27, 2017), for CUDA 8.0

Download cuDNN v6.0 (April 27, 2017), for CUDA 7.5

Download cuDNN v5.1 (Jan 20, 2017), for CUDA 8.0

Download cuDNN v5.1 (Jan 20, 2017), for CUDA 7.5

Download cuDNN v5 (May 27, 2016), for CUDA 8.0

Download cuDNN v5 (May 12, 2016), for CUDA 7.5

Download cuDNN v4 (Feb 10, 2016), for CUDA 7.0 and later.

Download cuDNN v3 (September 8, 2015), for CUDA 7.0 and later.

Download cuDNN v2 (March 17,2015), for CUDA 6.5 and later.

Download cuDNN v1 (cuDNN 6.5 R1)

三、NVIDIA显卡以及对应的显卡驱动的对应关系

由于NVIDIA存在多个系列的显卡类型，把这里仅仅显示出GeForce系列的显卡以及各个显卡的计算能力（compute capability），详情可以参考官网链接：

https://developer.nvidia.com/cuda-gpus

（1）GeForce Desktop Products

GPU	Compute Capability
NVIDIA TITAN RTX	7.5
Geforce RTX 2080 Ti	7.5
Geforce RTX 2080	7.5
Geforce RTX 2070	7.5
Geforce RTX 2060	7.5
NVIDIA TITAN V	7.0
NVIDIA TITAN Xp	6.1
NVIDIA TITAN X	6.1
GeForce GTX 1080 Ti	6.1
GeForce GTX 1080	6.1
GeForce GTX 1070	6.1
GeForce GTX 1060	6.1
GeForce GTX 1050	6.1
GeForce GTX TITAN X	5.2
GeForce GTX TITAN Z	3.5
GeForce GTX TITAN Black	3.5
GeForce GTX TITAN	3.5
GeForce GTX 980 Ti	5.2
GeForce GTX 980	5.2
GeForce GTX 970	5.2
GeForce GTX 960	5.2
GeForce GTX 950	5.2
GeForce GTX 780 Ti	3.5
GeForce GTX 780	3.5
GeForce GTX 770	3.0
GeForce GTX 760	3.0
GeForce GTX 750 Ti	5.0
GeForce GTX 750	5.0
GeForce GTX 690	3.0
GeForce GTX 680	3.0
GeForce GTX 670	3.0
GeForce GTX 660 Ti	3.0
GeForce GTX 660	3.0
GeForce GTX 650 Ti BOOST	3.0
GeForce GTX 650 Ti	3.0
GeForce GTX 650	3.0
GeForce GTX 560 Ti	2.1
GeForce GTX 550 Ti	2.1
GeForce GTX 460	2.1
GeForce GTS 450	2.1
GeForce GTS 450 *	2.1
GeForce GTX 590	2.0
GeForce GTX 580	2.0
GeForce GTX 570	2.0
GeForce GTX 480	2.0
GeForce GTX 470	2.0
GeForce GTX 465	2.0
GeForce GT 740	3.0
GeForce GT 730	3.5
GeForce GT 730 DDR3,128bit	2.1
GeForce GT 720	3.5
GeForce GT 705 *	3.5
GeForce GT 640 (GDDR5)	3.5
GeForce GT 640 (GDDR3)	2.1
GeForce GT 630	2.1
GeForce GT 620	2.1
GeForce GT 610	2.1
GeForce GT 520	2.1
GeForce GT 440	2.1
GeForce GT 440 *	2.1
GeForce GT 430	2.1
GeForce GT 430 *	2.1

（2）GeForce Notebook Products（笔记本电脑）

GPU	Compute Capability
Geforce RTX 2080	7.5
Geforce RTX 2070	7.5
Geforce RTX 2060	7.5
GeForce GTX 1080	6.1
GeForce GTX 1070	6.1
GeForce GTX 1060	6.1
GeForce GTX 980	5.2
GeForce GTX 980M	5.2
GeForce GTX 970M	5.2
GeForce GTX 965M	5.2
GeForce GTX 960M	5.0
GeForce GTX 950M	5.0
GeForce 940M	5.0
GeForce 930M	5.0
GeForce 920M	3.5
GeForce 910M	5.2
GeForce GTX 880M	3.0
GeForce GTX 870M	3.0
GeForce GTX 860M	3.0/5.0(**)
GeForce GTX 850M	5.0
GeForce 840M	5.0
GeForce 830M	5.0
GeForce 820M	2.1
GeForce 800M	2.1
GeForce GTX 780M	3.0
GeForce GTX 770M	3.0
GeForce GTX 765M	3.0
GeForce GTX 760M	3.0
GeForce GTX 680MX	3.0
GeForce GTX 680M	3.0
GeForce GTX 675MX	3.0
GeForce GTX 675M	2.1
GeForce GTX 670MX	3.0
GeForce GTX 670M	2.1
GeForce GTX 660M	3.0
GeForce GT 755M	3.0
GeForce GT 750M	3.0
GeForce GT 650M	3.0
GeForce GT 745M	3.0
GeForce GT 645M	3.0
GeForce GT 740M	3.0
GeForce GT 730M	3.0
GeForce GT 640M	3.0
GeForce GT 640M LE	3.0
GeForce GT 735M	3.0
GeForce GT 635M	2.1
GeForce GT 730M	3.0
GeForce GT 630M	2.1
GeForce GT 625M	2.1
GeForce GT 720M	2.1
GeForce GT 620M	2.1
GeForce 710M	2.1
GeForce 705M	2.1
GeForce 610M	2.1
GeForce GTX 580M	2.1
GeForce GTX 570M	2.1
GeForce GTX 560M	2.1
GeForce GT 555M	2.1
GeForce GT 550M	2.1
GeForce GT 540M	2.1
GeForce GT 525M	2.1
GeForce GT 520MX	2.1
GeForce GT 520M	2.1
GeForce GTX 485M	2.1
GeForce GTX 470M	2.1
GeForce GTX 460M	2.1
GeForce GT 445M	2.1
GeForce GT 435M	2.1
GeForce GT 420M	2.1
GeForce GT 415M	2.1
GeForce GTX 480M	2.0
GeForce 710M	2.1
GeForce 410M	2.1

收起

展开全文

NVIDIA显卡驱动

win10下CUDA和CUDNN的安装（超详细）！亲测有效！

万次阅读 多人点赞 2018-10-04 21:13:34

CUDA8安装配置 CUDA8的安装包可直接从NVIDIA官网下载。根据相应的系统选项，我选择的是cuda_8.0.61_win10.exe(大小为1.3G)，安装的时候建议选择自定义而不是“精简”(从下面的英文解释可以看出，其实这里的精简写...

CUDA8安装配置

CUDA8的安装包可直接从NVIDIA官网下载。根据相应的系统选项，我选择的是cuda_8.0.61_win10.exe(大小为1.3G)，安装的时候建议选择 自定义 而不是“精简”(从下面的英文解释可以看出，其实这里的精简写成完整应该更贴切，他会安装所有组件并覆盖现有驱动，然而我并不想安装全家桶，何况我的官方显卡驱动比他的新)。

cuda 1

如下图所示，我们只需选择CUDA下面这4项就够了（默认是全选的。。。），visual studio integration这一项没有勾选是因为我并没有使用VS环境。这一步之后，会询问这些组件的安装路径，可以直接使用C盘的默认位置，当然我自定义了一下（请记住这些安装路径，后面配置环境变量需要用到）。

cuda 2

安装完成之后，还需要下载cuDNN，这里需要登录并填写问卷才能下载，到下图所示的下载页面后，我选择的是图中高亮的版本（当时最新的是cuDNN6，而网上很多反应cuDNN6用不了，需要折腾一下才能用，因此，为了方便，我直接使用cuDNN5.1，不过后来cuDNN7出来了，应该可以直接使用~）。下载完成后，将这个压缩包里的所有文件放到CUDA8安装目录相应文件夹下即可。

cuDNN

接下来设置环境变量：

计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V8_0两个环境变量，接下来，还要在系统中添加以下几个环境变量：
CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0(这是默认安装位置的路径，经自定义路径后，我的路径为D:\NVIDIA\CUDA Samples)
CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
CUDA_BIN_PATH = %CUDA_PATH%\bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

然后：

在系统变量 PATH 的末尾添加：
%CUDA_LIB_PATH%;%CUDA_BIN_PATH%;%CUDA_SDK_LIB_PATH%;%CUDA_SDK_BIN_PATH%;
再添加如下4条（默认安装路径）：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\lib\x64；
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v8.0\bin；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\common\lib\x64；
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v8.0\bin\win64；
如果你选用了自定义路径，上述这些默认路径都应该相应替换为你的自定义路径，如下为我的环境变量和PATH的配置情况：
环境变量：

PATH：

配置完成后，我们可以验证是否配置成功，主要使用CUDA内置的deviceQuery.exe 和 bandwithTest.exe：
首先win+R启动cmd，cd到安装目录下的 ...\extras\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe,应该得到下图:

val 1
val 2

如果以上两步都返回了Result=PASS，那么就算成功啦。

本文转自：https://blog.csdn.net/qilixuening/article/details/77503631

收起

展开全文

真实机下 ubuntu 18.04 安装GPU +CUDA+cuDNN 以及其版本选择（亲测非常实用）
万次阅读 多人点赞 2018-05-28 22:55:17
ubuntu 18.04 安装GPU +CUDA+cuDNN ：目前，大多情况下，能搜到的基本上都ubuntu 14.04.或者是ubuntu 16.04的操作系统安装以及GPU 环境搭建过程，博主就目前自身实验室环境进行分析，总结一下安装过程。 1.实验室...
收起
cudnn
Ubuntu16.04下安装cuda和cudnn的三种方法（亲测全部有效）
万次阅读 多人点赞 2018-08-15 11:44:49
1.cuda的安装 1.1 最简单的方法——分开安装驱动和cuda 1.2 更万能的方法——同时安装驱动和cuda 1.3 终极杀手锏 2.cudnn的安装安装之前首先要确认你需要安装的cuda和cudnn的版本，假如你后续还需要...
收起
深度学习库 cudnn Ubuntu
Win10安装CUDA10和cuDNN
万次阅读 多人点赞 2018-10-12 15:50:48
官方安装教程 CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html cuDNN：...WIN10安装CUDA10 CUDA ...
收起
cuDNN Win10
win10下pytorch-gpu安装以及CUDA详细安装过程
万次阅读 多人点赞 2019-08-17 09:23:55
win10下pytorch-gpu安装以及CUDA详细安装过程 1.Cuda的下载安装及配置首先我们要确定本机是否有独立显卡。在计算机-管理-设备管理器-显示适配器中，查看是否有独立显卡。可以看到本机有一个集成显卡和独立...
收起
Ubuntu 16.04 上 CUDA_10.0及cuDNN的安装
万次阅读 多人点赞 2019-05-16 13:00:14
CUDA提供两种安装方式：package manager安装和runfile安装， package manager 安装方式相对简单一些，但是我在阅读别人博客的过程中发现选择这种方式在安装过程中问题可能多一点，失败的概率较大。为了减少不必要的...
收起
查看 CUDA cudnn 版本
万次阅读 多人点赞 2017-08-01 15:27:09
https://medium.com/@changrongko/nv-how-to-check-cuda-and-cudnn-version-e05aa21daf6ccuda 版本 cat /usr/local/cuda/version.txtcudnn 版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
收起
tensorflow CUDA cudnn 版本对应关系
万次阅读 多人点赞 2018-07-14 15:23:52
linux下： windows下：上面两张图是在这里找到的：...CUDA 下载地址点击打开链接 cudnn 下载地址(需要注册账号)点击打开链接 tensorflow-cpu 下载地址点击打开链接 te...
收起
深度学习
如何查看windows的CUDA版本
万次阅读 多人点赞 2019-04-12 00:25:59
最近开始学习一些关于图像处理的计算机视觉...只需要我们自己选择相应的系统，下载使用的工具方式，python的版本，以及CUDA版本号，就可以获得到相应的命令进行下载安装。这时遇到一个问题，CUDA是什么？ CUDA（C...
收起
win10 卸载cuda
万次阅读 2018-12-17 18:55:15
对于cuda8.0、cuda7.5的卸载都可以兼容安装cuda9.0之后，电脑原来的NVIDIA图形驱动会被更新，NVIDIA Physx系统软件也会被更新(安装低版cuda可能不会被更新)。卸载时候要注意了，别动这2个。 2.卸载 1.前言杀毒...
收起
Windows查看CUDA版本
万次阅读 多人点赞 2018-07-04 22:27:04
方法1：进入以下目录 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA 即可安装的CUDA版本方法2：打开cmd，输入 nvcc –version
收起
CUDA安装
万次阅读 2019-09-05 15:24:14
CUDA安装一、查看支持CUDA的GPU显卡型号：https://developer.nvidia.com/cuda-gpus 二、下载CUDA：https://developer.nvidia.com/cuda-toolkit-archive 1、运行cuda_10.0.130_411.31_win10.exe。安装程序会自动...
收起
windows如何安装并切换不同版本的cuda，更新cuda版本
万次阅读 2018-08-01 10:36:29
不同论文用的cuda版本经常不一样，如何在不同的cuda版本之间自由切换。重新配置配置太麻烦了，所以需要同时安装多个cuda，但window安装一个版本后，安装另一个过程中会自动删除前面版本。下面是最简单的切换方式 ...
收起
如何查看CUDA版本和CUDNN版本
万次阅读 2018-01-17 10:20:15
cuda一般安装在 /usr/local/cuda/ 路径下，该路径下有一个version.txt文档，里面记录了cuda的版本信息 cat /usr/local/cuda/version.txt 即可查询同理，cudnn的信息在其头文件里 cat /usr/local/cuda/include/...
收起
卸载CUDA9安装CUDA8
万次阅读 热门讨论 2018-07-15 14:37:53
作者：teeyohuang ...但是发cuda9很难卸载干净，安装cuda8时又给我自动安装到cuda9去了，后来终于成功干净彻底地删除cuda9了，于是记录一下亲测有效！ 1.正常卸载操作 sudo apt-get --purge...
收起
CUDA-Ubuntu卸载cuda10.1
千次阅读 2019-11-15 16:57:10
综述因为显卡版本问题我准备换cuda9.0 因此需要卸载cuda10.1 步骤 cd /usr/local/cuda/bin sudo ./cuda-uninstaller 删除即可
收起
删除
【CUDA】linux ubuntu16.04 卸载cuda8.0 安装cuda9.0
万次阅读 2018-08-06 18:41:30
因tensorflow版本的原因，现需要卸载原来的cuda8.0版本，重新安装cuda9.0版本。一、卸载cuda8.0 使用cuda自带的卸载工具进行卸载。 cd /usr/local/cuda/bin sudo ./uninstall_cuda_9.0.pl 安装指示卸载即可。 ...
收起
linux tensorflow cudnn
成功解决torch.cuda.CudaError: CUDA driver version is insufficient for CUDA runtime version (35) [ ...
千次阅读 2020-08-30 00:58:21
成功解决torch.cuda.CudaError: CUDA driver version is insufficient for CUDA runtime version (35) [ WARN:0] global C:\projects\opencv-python\opencv\modules\videoio\src\cap_msmf.cpp (674) SourceReaderCB:...
收起
cuda安装教程+cudnn安装教程
万次阅读 多人点赞 2018-11-19 12:21:45
cuda9.0+cudnn7.0安装教程 1、下载cuda9.0 下载链接：https://developer.nvidia.com/cuda-toolkit-archive 2、安装cuda 安装cuda时，第一次会让设置临时解压目录，第二次会让设置安装目录；临时...
收起
CUDA是什么-CUDA简介
千次阅读 多人点赞 2020-03-10 11:15:18
在大家开始深度学习时，几乎所有的入门教程都会提到CUDA这个词。那么什么是CUDA？她和我们进行深度学习的环境部署等有什么关系？通过查阅资料，我整理了这份简洁版CUDA入门文档，希望能帮助大家用最快的时间尽可能...
收起
深度学习计算机视觉
cuda cudaMemcpy 函数
2016-08-03 08:18:53
cudaMemcpy的第三个参数是要拷贝数据的大小，如果这个大小小于我在gpu上分配的存储空间（第一个参数），会出现什么情况。
收起
Ubuntu16.04下成功安装多版本的Cuda和切换Cuda环境 --Cuda9.0 & Cuda10.0
千次阅读 2020-03-29 13:52:34
昨天跑个程序，报了以下错误： libcudart.so.9.0: cannot open shared object file: No such file or directory ...后面查找知道torchvision0.3.0 支持的事cuda9，而不支持cuda10.0。但一开始我并不想重装cuda。。...
收起
ubuntu
CUDA入门
万次阅读 2018-06-08 00:21:44
CUDA简介 CUDA是NVIDIA发布的GPU上的并行计算平台和模型, 2006年第一代CUDA发布,截至2018年最新的是9代CUDA. hello cuda! __global__ void helloWorld() //__globa__是关键字 { printf("Hello ...
收起
GPU优化
CUDA driver version is insufficient for CUDA runtime version
万次阅读 2019-05-17 23:53:34
参考： CUDA driver version is insufficient for CUDA runtime version Win10如何查看Nvidia支持的...RuntimeError: cuda runtime error (35) : CUDA driver version is insufficient for CUDA runtime version a...
收起
ubuntu 同时安装cuda8.0与cuda9.0,cuda9.1
万次阅读 2018-05-23 16:53:27
部分代码需要cuda8.0，部分需要cuda9.0 于是萌生了同时安装2个版本的想法。0 前提：ubuntu 16.04. x86_64已经安装 cuda 8.0:nvcc –version nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2016 NVIDIA ...
收起
Ubuntu16.04安装CUDA10.2, CUDA toolkit与驱动版本的关系, anaconda中CUDA toolkit与Nvidia的CUDA toolkit...
万次阅读 2019-12-18 09:45:48
文章目录安装CUDA 10.2安装后操作安装cuDNNCUDA版本与驱动版本的关系Anaconda中的CUDA toolkit 安装CUDA 10.2 我的系统是Ubuntu16.04, 按照Nvidia官网的说明, 下载相应的deb包, 安装即可. 安装指令如下 wget ...
收起
如何查看电脑是否支持CUDA及支持的CUDA版本
万次阅读 2019-09-08 17:58:44
【题目】如何查看电脑是否支持CUDA及支持的CUDA版本一般NVIDA的GPU才支持CUDA，可直接跳到2进行查看，1是使用GPU-z软件进行检测。 1、如何知道我的显卡是否支持CUDA加速 2、查看显卡是否支持CUDA及支持的版本 3...
收起

Linux安装CUDA的正确姿势

Linux安装CUDA的正确姿势

查看显卡是否支持CUDA

下载CUDA文件

确认安装环境

安装CUDA

CUDA卸载

其他问题

Ubuntu安装和卸载CUDA和CUDNN

目录

文章目录

前言

安装显卡驱动

禁用nouveau驱动

下载驱动

卸载旧驱动

安装新驱动

卸载CUDA

安装CUDA

下载和安装CUDA

测试安装是否成功

下载和安装CUDNN

测试安装结果

参考资料

tensorflow各个版本的CUDA以及Cudnn版本对应关系

一、tensorflow各个版本需要的CUDA版本以及Cudnn的对应关系

二、CUDA与相对应的Cudnn对应关系

三、NVIDIA显卡以及对应的显卡驱动的对应关系

win10下CUDA和CUDNN的安装（超详细）！亲测有效！

真实机下 ubuntu 18.04 安装GPU +CUDA+cuDNN 以及其版本选择（亲测非常实用）

Ubuntu16.04下安装cuda和cudnn的三种方法（亲测全部有效）

Win10安装CUDA10和cuDNN

win10下pytorch-gpu安装以及CUDA详细安装过程

Ubuntu 16.04 上 CUDA_10.0及cuDNN的安装

查看 CUDA cudnn 版本

tensorflow CUDA cudnn 版本对应关系

如何查看windows的CUDA版本

win10 卸载cuda

Windows查看CUDA版本

CUDA安装

windows如何安装并切换不同版本的cuda，更新cuda版本

如何查看CUDA版本和CUDNN版本

卸载CUDA9安装CUDA8

CUDA-Ubuntu卸载cuda10.1

【CUDA】linux ubuntu16.04 卸载cuda8.0 安装cuda9.0

成功解决torch.cuda.CudaError: CUDA driver version is insufficient for CUDA runtime version (35) [ ...

cuda安装教程+cudnn安装教程

CUDA是什么-CUDA简介

cuda cudaMemcpy 函数

Ubuntu16.04下成功安装多版本的Cuda和切换Cuda环境 --Cuda9.0 & Cuda10.0

CUDA入门

CUDA driver version is insufficient for CUDA runtime version

ubuntu 同时安装cuda8.0与cuda9.0,cuda9.1

Ubuntu16.04安装CUDA10.2, CUDA toolkit与驱动版本的关系, anaconda中CUDA toolkit与Nvidia的CUDA toolkit...

如何查看电脑是否支持CUDA及支持的CUDA版本

cuda

shiyan4.cpp

首发！全网最全“Java面试考点大全”

易语言 输入法注入.e 源码

mac抠图工具推荐：topaz mask ai for mac最新版

储能变流器1.dft

python办公自动化技巧

【数据分析-随到随学】Tableau数据分 析+PowerBI

30个生涯锦囊，带你跳出迷茫，找到适合你的职业方向

ImagesSequencesPredictions-master.zip

云计算基础-Linux系统管理员

T_threelevle_svpwm.slx

mitmproxy-6.0.2-windows-installer.exe

坦克动荡射击游戏设计源码.rar

热流道的优点与缺点，你都知道吗？

电商设计专业思维

新基建，新边缘，新关系

腾讯高工纯手打3天能走向实战的“Netty速成手册”

张飞硬件第二章笔记（二）

Kotlin协程极简入门与解密

易语言开发通达信ＤLL公式接口

易语言输入法注入.e 源码

【数据分析-随到随学】Tableau数据分析+PowerBI