cuda10对应的驱动（window下，cuda版本和NVIDIA驱动版本关系，cuda版本 和 TensorFlow-GPU版本关系，TensorFlow-GPU安装）

一    
    
    
、cuda安装  
    
    
  ，cuda  和 TensorFlow 版本对应

     


     


     
，链接https://www.tensorflow.org/install/source#tested_source_configurations

        1.查看自己安装的驱动版本, nvidia-smi

         2.安装所需要的cuda 




 




 




，下载链接CUDA Toolkit Archive | NVIDIA Developer

找到所需版本  

   

   

 ，下载对应环境 

     

     

     ，自定义安装  




  




  




， 查看新驱动版本  


  


  


，若不高于当前版本
     
     
     ，则不安装     
    
    
。     

        安装成功之后
   




   




   



，配置环境变量,安装路径要记得   


     


     


  。

         （安装不成功的话 



 



 



，卸载驱动               ，再次安装

    




    




    


，即可成功



 




 




 
。卸载可以使用软件 提取码：1233）

          （如果cudatookit安装成功之后














，发现显卡找不到               ，那就官网

安装一个驱动即可）

         查看安装的cuda 版本

        这边的版本跟nvidia-smi对应的cuda版本不一样

     



     



     

，可以看下述第四点解释 

二   


     


     


  、cuDNN神经网络加速库安装       

cuDNN不是应用程序














，而是几个文件包  
    
    
  ，下载后把它复制到CUDA 的目录下即可   

   

   

。

cuDNN下载页：cuDNN下载页（记得版本对应

     


     


     
，看上面）

cuDNN其实就是CUDA的一个补丁而已 




 




 




，专为深度学习运算进行优化的

将include  

   

   

 ，lib

     

     

     ，bin 下面这些文件拷贝到 v11.3目录下的对应目录    

     

     

 。

 或者说 直接将这三个目录 复制到 v11.3目录下（不覆盖文件复制）

三



 




 




 
、安装TensorFlow2.5-gpu版本

        1.安装指定版本的TensorFlow2.5.这边是直接下载wheel文件  




  




  




，然后创建一个虚拟环境（conda创建）教程 conda 安装 Pytorch（GPU）_czhunian的博客-CSDN博客_conda安装pytorch gpu

        2.下载wheel链接https://github.com/fo40225/tensorflow-windows-wheel

                选择对应版本  


  


  


，下载该版本下得全部文件即可




  




  




  。

        3.在虚拟环境中
     
     
     ，conda activate tf2
   




   




   



，进入虚拟环境 



 



 



，之后切换到wheel文件路径               ，pip install命令安装

        4. 测试

    




    




    


，输出True代表安装成功

import tensorflow as tf tf.test.is_gpu_available()

四.cuda 和 NVIDIA驱动 版本关系














，链接

        主要是看表三               ，cuda版本 和 驱动对应的关系  


  


  


。

​

 查看 CUDA driver version（驱动版本）：NVIDIA GPU的驱动程序版本（nvidia-smi）

查看 CUDA runtime version（运行时版本）：自己安装的cudatoolkit包（nvcc -V）

用于支持driver API的必要文件(如libcuda.so)是由GPU driver installer安装的     
     
     
。nvidia-smi就属于这一类API




   




   




   。 用于支持runtime API的必要文件(如libcudart.so以及nvcc)是由CUDA Toolkit installer安装的
 



 



 


。（CUDA Toolkit Installer有时可能会集成了GPU driver Installer）               。nvcc是与CUDA Toolkit一起安装的CUDA compiler-driver tool

     



     



     

，它只知道它自身构建时的CUDA runtime版本 




    




    




   。它不知道安装了什么版本的GPU driver














，甚至不知道是否安装了GPU driver














。

综上  
    
    
  ，如果driver API和runtime API的CUDA版本不一致可能是因为你使用的是单独的GPU driver installer

     


     


     
，而不是CUDA Toolkit installer里的GPU driver installer               。

综上就是 




 




 




，驱动版本和运行时版本是不冲突（这边应该是运行时不能大于驱动版本即可）  

   

   

 ，CUDA Toolkit（runtime）本质上只是一个工具包而已

     

     

     ，甚至可以安装多个cudatoolkit版本  




  




  




，通过修改环境变量进行选择使用哪个版本的cuda  



     



     



   。

五   

   

   

、总结 

        显卡驱动版本>=对应的cudatoolkit版本<=对应的tensorflow版本;因此cuda就是一个桥梁














。       

         1    

     

     

 、确定要安装的tensorflow版本    
    
    
。

        2




  




  




  、根据tensorflow版本  


  


  


，确定cudatoolkit的版本 
     
     
     ，并确定cudann的版本   


     


     


  。

        3  


  


  


、根据cuda版本
   




   




   



，确定显卡驱动的版本 



 



 



，不够就升级               ，够了就不管



 




 




 
。