conda虚拟环境中安装cuda和cudnn
目录
一、cuda安装步骤
1）cuda的安装
1、查看conda支持的cuda版本
2、下载cuda并安装cuda
2）cudnn的安装
1、查看cuda对应的cudnn版本
2、下载cudnn并安装
二、torch的安装和tensorflow的安装
1）安装tensorflow
1、确定安装版本并安装
2、验证是否可以调用gpu
2）安装torch
1、安装torch
2、测试cuda版本
一、cuda安装步骤
1）cuda的安装
1、查看conda支持的cuda版本
首先使用conda activate name命令把conda环境激活到目标环境。
执行以下命令后，会显示出源内所有的cuda版本，以及下载地址：
conda search cudatoolkit --info
下面命令只显示版本：
conda search cudatoolkit
2、下载cuda并安装cuda
找到自己想要的cuda版本后，先把cuda下载到本地。首先复制url字段里的下载链接，然后用命令cd到想要下载的目录，执行如下代码下载：
wget 你刚刚复制的链接地址执行如下命令进行安装，因为是通过本地安装的，所以需要写明本地包的路径
# 然后安装本地包
conda install --use-local 本地cuda包所在的路径附：直接使用conda install安装
执行命令直接安装cudatoolkit包（即安装cuda，找到安装的对应版本指定安装即可）：
conda install cudatoolkit==11.8.02）cudnn的安装
1、查看cuda对应的cudnn版本
使用如下命令查看conda支持的cudnn版本，注意cudnn的版本一定要和刚刚下载的cuda版本对应：
conda search cudnn --info执行后的结果如图所示，图中标出了cudnn所对应的cuda版本号位置
下面命令只显示版本：
conda search cudnn
2、下载cudnn并安装
复制你想要版本的cudnn的下载地址，使用wget 链接地址进行下载。安装cudnn命令如下：
conda install --use-local 本地cudnn包所在的路径或者执行命令安装cudnn包：
conda install cudnn==8.9.2.26注意：
- 一定要先进入刚创建的环境，不然后面的操作是在默认环境base上进行
- 安装之后的 CUDA 和 cudnn 会存放在虚拟环境的 lib 文件夹 或者include 文件夹里面。如果直接通过win+r，cmd，nvcc -V命令会发现还是主机的版本。因此，不能使用nvcc -V命令测试，需要在虚拟环境中安装pytorch包进行测试
二、torch的安装和tensorflow的安装
1）安装tensorflow
1、确定安装版本并安装
通过conda search tensorflow-gpu命令查看可下载的版本：
conda search tensorflow-gpu
这里没有更新到2.10，不过没关系，我们已经知道更新到了2.16版本，所以直接执行命令安装tensorflow：
pip install tensorflow-gpu==2.10.0 -i https://pypi.douban.com/simple 2、验证是否可以调用gpu
import tensorflow as tf
gpus = tf.config.experimental.list_physical_devices(device_type='GPU')
cpus = tf.config.experimental.list_physical_devices(device_type='CPU')
print(gpus, cpus)或者
import tensorflow as tf
version=tf.__version__ #输出tensorflow版本
gpu_ok=tf.test.is_gpu_available() #输出gpu可否使用
print("tf version:",version,"\nuse GPU:",gpu_ok)2）安装torch
1、安装torch
首先安装与cuda相匹配的pytorch和torchvision包，可以去pytorch官网查询。
conda install pytorch==2.0.1 torchvision==0.15.2 torchaudio==2.0.2 pytorch-cuda=11.8 -c pytorch -c nvidia2、测试cuda版本
import torch
print(torch.cuda.is_available())# 查询cuda版本
print(torch.version.cuda)# 查询cudnn版本
print(torch.backends.cudnn.version())