CUDA + cuDNN

关系：显卡，显卡驱动，nvcc，cuda driver，cuda toolkit，cuDNN

0. 如果没有nvidia driver,也要安装!

1. 首先安装CUDA（已有），要注意CUDA版本和显卡驱动版本是一一对应的

2. 配置环境变量

3. 测试安装成功否（打开命令行窗口，输入nvcc -V）

4. 再用官方示例测试，切换到CUDA自带测试用例路径：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite。打开cmd，运行.\deviceQuery.exe得到下面结果说明安装成功。 注：这一步可能会失败，但是应该不太影响后续（还不清楚原因）。

5. 登录NVIDIA并下载深度学习GPU加速库cuDNN（已有）

6. 将解压后得到的.h .lib 和.dll 文件分别复制到cuda的include, lib/x64, bin 文件夹下（后者路径C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2）

7. 用官方示例测试，运行CUDA的官方示例，在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2\extras\demo_suite路径下打开cmd，运行.\deviceQuery.exe显示如下结果说明安装成功。

查询

cmd输入以下内容，查看显卡驱动版本（Driver Version: 442.19），显卡版本（GeForce MX250）

nvidia-smi

cmd输入以下内容，查询CUDA版本（V10.2.89）

nvcc --version

Anaconda + Pycharm

1. 安装Anaconda（已有），新建环境

2. 下载安装Pycharm（社区版即可，已有）

3. 使用自己创建的环境配置Pycharm

4. 更换清华镜像源

5. 查看需要下载的pytorch版本，用conda下载，去掉“-c python"便不再强制从官网下载了，参考（torchvision，cudatoolkit会一并下载）

6. conda下载cudnn（如果已有这个包，就不必了） 注意：进入自己的环境再用此命令，否则会装到base下

conda install cudnn

7. 测试是否能使用CUDA

importtorch

flag=torch.cuda.is_available()

print(flag)

ngpu=1

# Decide which device we want to run on

device=torch.device("cuda:0"if(torch.cuda.is_available()andngpu>0)else"cpu")

print(device)

print(torch.cuda.get_device_name(0))

print(torch.rand(3,3).cuda())

如果flag=false

* 如果出现flag是False，检查一下驱动版本，有时需要手动下载最新的驱动（高级设置-清洁安装）。

* 检查pytorch版本，可能是pytorch与CUDA版本冲突

同等环境下使用python3.7，pytorch1.3，cudatoolkit10.1，上述示例一直失败，但是tensorflow可以正常使用GPU。挨个排查，直到修改完pytorch版本为1.2才成功。

配置环境

OS：win10（×64）

显卡：AMD GeForce MX250

显卡驱动：Driver Version: 442.19

CUDA：V10.2.89

cuDNN：7.6.5（与CUDA版本对应）

torch36环境：python3.6、pytorch（1.2.0，py3.6_cuda100_cudnn7_1）、cudatoolkit（10.0.130）、cudnn（7.6.5）