精华内容
下载资源
问答
  • cuDNN

    万次阅读 2017-10-10 13:31:48
    cuDNN(CUDA Deep Neural Network),官网: https://developer.nvidia.com/cudnn 安装 相比标准的cuda,它在一些常用的神经网络操作上进行了性能的优化,比如卷积,pooling,归一化,以及激活层等等。 在理解...

    cuDNN(CUDA Deep Neural Network),官网:

    https://developer.nvidia.com/cudnn

    安装

    相比标准的cuda,它在一些常用的神经网络操作上进行了性能的优化,比如卷积,pooling,归一化,以及激活层等等。

    在理解上面这段的基础上,我们可以猜测配置cuDNN时是要对cuda进行一些修改,所以我们要先安装cudacuDNN下载需要注册,这个过程耐心点也很快。下面以ubuntu为例说明如何配置cuDNN进行神经网络的加速。
    1. 下载cuDNN压缩包

    2. 解压

    tar -zxvf cudnn-7.0-linux-x64-v3.0-prod.tgz
    3. 拷贝

    解压后会看到一个cuda文件夹,里面包含了include以及lib64两个子目录。将这两个文件夹里的文件复制到cuda对应的安装目录。这里以cuda的安装目录为/usr/local/cuda/为例:

    sudo cp cuDNN/cuda/include/cudnn.h /usr/local/cuda/include
    sudo cp cuDNN/cuda/lib64/* /usr/local/cuda/lib64
    注意:要加sudo,为了获取权限。

    4. 链接

    #下面的操作在/usr/local/cuda/lib64/目录下进行
    sudo rm -rf libcudnn.so libcudnn.so.7.0#删除两个符号链接;
    sudo ln -s libcudnn.so.7.0.64 libcudnn.so.7.0
    sudo ln -s libcudnn.so.7.0 libcudnn.so
    使用

    在编译caffe(或者其他深度学习库)时,只需要在make的配置文件Makefile.config中将USE_CUDNN取消注释即可。


    展开全文
  • cudnn

    千次阅读 2018-07-08 15:38:27
    转自https://blog.csdn.net/lucifer_zzq/article/details/76675239为什么需要安装cudnncuDNN的全称为NVIDIA CUDA® Deep Neural Network library,是NVIDIA专门针对深度神经...cuDNN为深度神经网络中的标准流程提供...

    转自https://blog.csdn.net/lucifer_zzq/article/details/76675239

    为什么需要安装cudnn

    cuDNN的全称为NVIDIA CUDA® Deep Neural Network library,是NVIDIA专门针对深度神经网络(Deep Neural Networks)中的基础操作而设计基于GPU的加速库。cuDNN为深度神经网络中的标准流程提供了高度优化的实现方式,例如convolution、pooling、normalization以及activation layers的前向以及后向过程。

    cuDNN只是NVIDIA深度神经网络软件开发包中的其中一种加速库。想了解NVIDIA深度神经网络加速库中的其他包请戳链接https://developer.nvidia.com/deep-learning-software

    各深度学习框架安装cuDNN需知

    基本上所有的深度学习框架都支持cuDNN这一加速工具,例如:Caffe、Caffe2、TensorFlow、Torch、Pytorch、Theano等。

    Caffe可以通过修改Makefile.config中的相应选项来修改是否在编译Caffe的过程中编译cuDNN,如果没有编译cuDNN的话,执行一些基于Caffe这一深度学习框架的程序速度上要慢3-5倍(Caffe官网上说不差多少,明明差很多嘛)。Caffe对cuDNN的版本不是很严格,只要大于cuDNN 4就可以。

    TensorFlow目前的版本r1.2,强行要求装cuDNN,而且对版本也有相应的限制(cuDNN 5.1)。不过就官方说明看,TensorFlow将在下一个版本r1.3中加入对cuDNN 6.0的支持。

    Torch通过LuaJit可以自动检测目前系统中的cuDNN版本来进行相应的编译(如没有cuDNN,也可在进行Torch的安装)。

    如何安装cudnn

    首先说一下网上大多数中文安装cuDNN教程的错误方式,这种方式真的坑人无数

    简单地说网上的大多错误的安装cuDNN的方式都是将下载后的cuDNN压缩包解压。然后再将cudnn的头文件(cuda/include目录下的.h文件)复制到cuda安装路径的include路径下,将cudnn的库文件(cuda/lib64目录下的所有文件)复制到cuda安装路径的lib64路径下。这种方法如果不重置cuDNN相应的符号链接的话是不能成功的安装cuDNN的。

    下面我们说一下正确的安装cuDNN方式,其实跟着官方安装说明进行安装就可以了。

    1. https://developer.nvidia.com/cudnn上下载cudnn相应版本的压缩包(可能需要注册或登录)。

    2. 如果这个压缩包不是.tgz格式的,把这个压缩包重命名为.tgz格式。解压当前的.tgz格式的软件包到系统中的任意路径(这个路径很重要,以下将该路径的绝对路径简称为/your/path/to/cudnn),解压后的文件夹名为cuda,文件夹中包含两个文件夹:一个为include,另一个为lib64。
      例如:我将这个压缩包解压在了/usr/local目录下,那么该文件的绝对路径为/usr/local/cuda

    3. 将解压后的文件中的lib64文件夹关联到环境变量中。这一步很重要。

       cd ~
       sudo gedit .bashrc
    • 1
    • 2

    在弹出的gedit文档编辑器(.bashrc中)中最后一行加入:

       export LD_LIBRARY_PATH=/your/path/to/cudnn/lib64:$LD_LIBRARY_PATH
    • 1

    其中/your/path/to/cudnn/lib64是指.tgz解压后的文件所在路径中的lib64文件夹。
    保存更改的文件后,紧接着:

       source .bashrc
    • 1

    重启一下Terminal(终端),该步骤可以成功的配置cuDNN的Lib文件。

    配置cuDNN的最后一步就是将解压后的cuDNN文件夹(一般该文件名为cuda)中的include文件夹(/your/path/to/cudnn/include)中的cudnn.h文件拷贝到/usr/local/cuda/include中,由于进入了系统路径,因此执行该操作时需要获取管理员权限。

    打开终端,进入/your/path/to/cudnn/include。其中/your/path/to/cudnn/include指的是.tgz解压后的文件所在路径中的include文件夹。例如:

       cd cuda/include
       sudo cp *.h /usr/local/cuda/include

    之后,再重置cudnn.h文件的读写权限:

       sudo chmod a+r /usr/local/cuda/include
    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

    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:
    在这里插入图片描述

    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:
    在这里插入图片描述

    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
    在这里插入图片描述

    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

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

    深度学习与PyTorch实战

    展开全文
  • Tensorflow不同版本要求与CUDA及CUDNN版本对应关系

    万次阅读 多人点赞 2018-10-21 13:48:40
    1.2.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.5 tensorflow-1.1.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2 tensorflow-1.0.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2 Version Python version Compiler Build tools cuDNN CUDA ...

    参考官网地址:

    Windows端:https://tensorflow.google.cn/install/source_windows

    CPU

    Version Python version Compiler Build tools
    tensorflow-1.11.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.10.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.9.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.8.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.7.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.6.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.5.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.4.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.3.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.2.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.1.0 3.5 MSVC 2015 update 3 Cmake v3.6.3
    tensorflow-1.0.0 3.5 MSVC 2015 update 3 Cmake v3.6.3

    GPU

    Version Python version Compiler Build tools cuDNN CUDA
    tensorflow_gpu-1.11.0 3.5-3.6 MSVC 2015 update 3 Bazel 0.15.0 7 9
    tensorflow_gpu-1.10.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.9.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.8.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.7.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.6.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.5.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 7 9
    tensorflow_gpu-1.4.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 6 8
    tensorflow_gpu-1.3.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 6 8
    tensorflow_gpu-1.2.0 3.5-3.6 MSVC 2015 update 3 Cmake v3.6.3 5.1 8
    tensorflow_gpu-1.1.0 3.5 MSVC 2015 update 3 Cmake v3.6.3 5.1 8
    tensorflow_gpu-1.0.0 3.5 MSVC 2015 update 3 Cmake v3.6.3 5.1 8

     

    Linux端:https://tensorflow.google.cn/install/source

    Linux

    Version Python version Compiler Build tools
    tensorflow-1.11.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.15.0
    tensorflow-1.10.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.15.0
    tensorflow-1.9.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.11.0
    tensorflow-1.8.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.10.0
    tensorflow-1.7.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.10.0
    tensorflow-1.6.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.9.0
    tensorflow-1.5.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.8.0
    tensorflow-1.4.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.5.4
    tensorflow-1.3.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.5
    tensorflow-1.2.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.5
    tensorflow-1.1.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2
    tensorflow-1.0.0 2.7, 3.3-3.6 GCC 4.8 Bazel 0.4.2
    Version Python version Compiler Build tools cuDNN CUDA
    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

    macOS

    CPU

    Version Python version Compiler Build tools
    tensorflow-1.11.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.15.0
    tensorflow-1.10.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.15.0
    tensorflow-1.9.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.11.0
    tensorflow-1.8.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.10.1
    tensorflow-1.7.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.10.1
    tensorflow-1.6.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.8.1
    tensorflow-1.5.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.8.1
    tensorflow-1.4.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.5.4
    tensorflow-1.3.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.5
    tensorflow-1.2.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.5
    tensorflow-1.1.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.2
    tensorflow-1.0.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.2

    GPU

    Version Python version Compiler Build tools cuDNN CUDA
    tensorflow_gpu-1.1.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.2 5.1 8
    tensorflow_gpu-1.0.0 2.7, 3.3-3.6 Clang from xcode Bazel 0.4.2 5.1 8
    展开全文
  • 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...
  • Cudnn library

    2018-08-15 16:53:57
    CUDNN库开发文档CUDNN库开发文档CUDNN库开发文档CUDNN库开发文档
  • 目录 1.cuda的安装 ...安装之前首先要确认你需要安装的cuda和cudnn的版本,假如你后续还需要安装tensorflow的话,请看我的另外一篇博客,确认你需要的版本。 1.cuda的安装 cuda的安装比较费事...
  • 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:...cuDNN:https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows WIN10安装CUDA10 CUDA ...
  • cudnn 7.3.1

    2018-11-27 14:58:03
    cudnn库windows版本,详细:cudnn-10.0-windows10-x64-v7.3.1.20
  • 文件原名为cudnn-9.0-windows10-x64-v7.zip,解压后包含三个文件bin/cudnn_7.dll, include/cudnn.h 和lib/x64/cudnn.lib
  • 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
    #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,...
  • 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
  • 查看cudnn版本

    万次阅读 多人点赞 2018-03-31 22:58:10
    1、查看cuda版本cat /usr/local/cuda/version.txt2、查看cudnn版本cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2根据输出判断:eg:#define CUDNN_MAJOR 5 #define CUDNN_MINOR 1 #define CUDNN_...
  • 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:https://tensorflow.google.cn/install/source (右上角...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...
  • CUDA、CUDNN在windows下的安装及配置

    万次阅读 多人点赞 2019-08-10 08:30:56
    参考文章 ...Wind10安装anaonda+cuda10.1+cudnn+pytorch+tensorflow-gpu win10+GTX1050Ti+anaconda3+tensorflow1.14.0+cuda10.0+cudnn7.6.1.34(带GPU使用检测) 一、安装前的准备 (1)查看自己N卡...
  • Ubuntu安装cuDNN

    2017-07-24 09:47:26
    cuDNN
  • cudnncudnn 安装

    2021-01-07 10:19:40
    官方下载: ...安装 解压下载的文件,可以...sudo cp cuda/include/cudnn.h /usr/local/cuda/include/ sudo cp cuda/lib64/libcudnn* /usr/local/cuda/lib64/ sudo chmod a+r /usr/local/cuda/include/cudnn.h sudo chm
  • 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...
  • 解决RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED

    万次阅读 多人点赞 2019-01-23 16:03:25
    最终环境:win10 ,2080ti ,cuda10,cudnn7.3.1,vs2017,python3.6.6,pytorch1.0.0 现象:cuda用窗口命令nvcc -V,可以显示cuda版本号,说明cuda没问题(torch.cuda.is_available()返回的...
  • cudnn 安装

    2020-11-09 20:40:38
    1. 找到对的cudnn https://developer.nvidia.com/rdp/cudnn-archive 2. cp cudnn-10.0-linux-x64-v7.3.0.29.solitairetheme8 cudnn-10.0-linux-x64-v7.3.0.29.tgz tar -xvf cudnn-8.0-linux-x64-v5.1.tgz ...
  • cudnn安装

    2020-08-30 12:54:09
    https://developer.nvidia.com/rdp/cudnn-archive cudnn下载地址 https://zhuanlan.zhihu.com/p/35828626 cudnn安装
  • cuDNN概述

    2020-12-28 06:55:41
    cuDNN概述 NVIDIACUDA®深度神经网络库(cuDNN)是GPU加速的用于深度神经网络的原语库。cuDNN为标准例程提供了高度优化的实现,例如向前和向后卷积,池化,规范化和激活层。 全球的深度学习研究人员和框架开发人员都...
  • cudnn V3 linux

    2017-11-29 18:45:07
    cudnn V3 linux
  • 安装cudnn

    2020-08-12 14:21:28
    https://developer.nvidia.com/rdp/cudnn-download ... Abstract This cuDNN 8.0.2 Installation Guide provides step-by-step instructions on how to install and check for corre.
  • cudnn 7.6.4 linux

    2020-04-15 16:22:51
    cudnn 7.6.4 的so文件,配合cuda10.0,配合TensorFlow1.14,export LD_LIBRARY_PATH使用
  • 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/...cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 即可查询 另附我...
  • cudnn资源列表

    2017-10-16 11:38:25
    cudnn-7.5-linux-v5.0,cudnn-8.0-linux-v5.1,cudnn-8.0-windows10-x64-v6.0
  • cudnn_samples

    2018-07-20 11:17:31
    cudnn的测试程序。用来检验cuda和cudnn的安装结果。需要在linux gcc环境下编译运行。
  • 安装Cudnn

    2019-11-20 17:47:22
    安装Cudnn 步骤 内容 1 下载 2 安装(移动) 3 测试 4 恭喜你,成功安装完了有关深度学的基础软件 一,下载 1,Cudnn各种版本的下载链接,需要先注册,登录后直接打开此网址 ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 30,026
精华内容 12,010
关键字:

cudnn