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cuda。cuDNN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。

收起

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。

从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）。
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
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

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

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

再重启一下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

收起

展开全文

ubuntu

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

CUDA NVIDIA

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

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
cuda
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
收起
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
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...
收起
深度学习库 cuda 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：...cuDNN：https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows WIN10安装CUDA10 CUDA ...
收起
Win10
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
收起
cudnn_7.dll_cudnn.h_cudnn.lib
2018-04-17 16:27:41
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
收起
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，...
收起
NVIDIA显卡驱动
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
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_...
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：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...
收起
深度学习
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...
收起
CUDA windows
Ubuntu安装cuDNN
2017-07-24 09:47:26
cuDNN
收起
ubuntu
【cudnn】cudnn 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
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
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...
收起
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 ...
收起
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
收起
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...
收起
cudnn V3 linux
2017-11-29 18:45:07
cudnn V3 linux
收起
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.
收起
深度学习
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
收起
cuda
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...
收起
cuda
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
收起
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。
收起
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 ...
收起
安装教程

cuDNN

cudnn

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

为什么需要安装cudnn

各深度学习框架安装cuDNN需知

如何安装cudnn

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不同版本要求与CUDA及CUDNN版本对应关系

CPU

GPU

Linux

macOS

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）

Cudnn library

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

cudnn 7.3.1

cudnn_7.dll_cudnn.h_cudnn.lib

tensorflow各个版本的CUDA以及Cudnn版本对应关系

查看 CUDA cudnn 版本

查看cudnn版本

tensorflow CUDA cudnn 版本对应关系

CUDA、CUDNN在windows下的安装及配置

Ubuntu安装cuDNN

【cudnn】cudnn 安装

cuda安装教程+cudnn安装教程

解决RuntimeError: cuDNN error: CUDNN_STATUS_EXECUTION_FAILED

cudnn 安装

cudnn安装

cuDNN概述

cudnn V3 linux

安装cudnn

cudnn 7.6.4 linux

如何查看CUDA版本和CUDNN版本

cudnn资源列表

cudnn_samples

安装Cudnn

cudnn