视频教程：2021年windows下安装GPU版本的Tensorflow和Pytorch_哔哩哔哩_bilibili

最近比特币的热潮慢慢褪去，显卡的价格也下来了，所以小伙伴们可以观察一下最近的行情，合适的时候可以入手几块显卡来搞深度学习。关注我的朋友大多数来自大作业怎么搞系列教程，大作业怎么搞系列使用tensorlfow训练了几个物体分类模型，在开源出的代码中我也基本给了大家我训练好的模型，有的朋友反应自己跑训练的过程的时候速度比较慢，这个原因大多都是因为大家是在CPU环境下来跑的，所以速度不是很快，如果使用GPU来跑训练的话，效率上差不多是CPU的10倍。

！！！注：深度学习的小伙伴请选择Nvidia（英伟达）的显卡

显卡的品牌基本可以分为两大阵营：AMD和Nvidia。如果是深度学习使用的话大家务必要选择Nvidia的显卡，AMD显卡性价比虽然比较高，但是其对深度学习的支持不是很好，所以大家购买之前一定要看清是不是英伟达的显卡，下面是英伟达的图标。

认识显卡（GPU）

购买显卡之前，我们以Nvidia的显卡为例，说明一下显卡的型号上面的数字都表示什么意思，影驰表示的是显卡的制造商，Geforce是显卡系列名称，GTX表示显卡的档次，数字一般是四位，前两位表示显卡的代数，16就表示是第16代显卡，中间的第三位数字表示的是显卡的性能级别，数字越大显卡的性能级别就相对越好，最后一位一般都是0，不用去管，有的显卡还有英文的后缀，SE表示阉割版、TI和Super表示增强的版本，比如1660TI就是在1660的基础上进行了增强，6G表示显卡的显存是6个GB，最后的比较炫酷的名字是制造商定的名字，这个一般就是个噱头，不需要太关注。

另外比较重要的是大家要学会看显卡的参数，分别是架构、工艺、流处理器、核心频率、显存频率、显存位宽、显存容量，比如这里是3090的显卡信息。

  1. 架构：相当于运行布局，布局越好跑的越流畅。
  2. 工艺：制程越小精度越高，越能发挥更多性能。
  3. 光栅以及流处理器：相当于劳动力，人越多执行力越强。
  4. 核心频率：反应速度，相当于跑车百米提速效率。
  5. 显存频率：相当于限速标志，决定了最大运行速度。
  6. 显存位宽：相当于划线，决定了最大运行通道。
  7. 显存容量：相当于道路限宽，决定了最大承载量。

拿绝地求生来说，这款游戏比较吃显存。因为游戏地图数据都加载在显存内，越是精致的3D画面数据量越多，需要的显存容量就越高。深度学习的话一般主要关注两个点，一个是显存的容量一个是cuda核心的数量，这两个指标越大相对就越好。

有台式机的小伙伴可以直接买单独的显卡插在主板上，注意要看自己的电源功率是否能够为显卡提供供电。

没有台式机的小伙伴也可以考虑买带有Nvidia显卡的笔记本，目标联想拯救者系列就是个不错的选择。

安装显卡驱动

首先第一步还是要安装显卡的驱动，显卡驱动的安装需要在官网下载驱动程序，首先大家需要在设备管理器中查看你的显卡型号，这里是我的显卡。

去官网下载对应你显卡的驱动程序：

下载之后执行程序并进行安装即可，为了防止不必要的情况出现，安装的时候请按照默认选项执行。

安装完毕之后重启电脑在cmd中输入nvidia-smi，输出下列信息则表示显卡驱动安装成功。

安装Anaconda

老朋友应该都知道Anaconda和Pycharm的使用方式，新朋友的话看下面这个教程就可以了

如何在pycharm中配置anaconda的虚拟环境_dejahu的博客-CSDN博客

安装完成之后在cmd中输入conda，如果输出下列信息则表示anaconda安装成功。

安装完毕之后请务必更新为国内的源，加快第三方库的下载速度，在cmd中执行下列指令即可。

conda config --remove-key channelsconda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/main/conda config --add channels https://mirrors.ustc.edu.cn/anaconda/pkgs/free/conda config --add channels https://mirrors.bfsu.edu.cn/anaconda/cloud/pytorch/conda config --set show_channel_urls yespip config set global.index-url https://mirrors.ustc.edu.cn/pypi/web/simple

安装GPU版本的Tensorflow

GPU版本Tensorflow的安装

创建并激活虚拟环境

打开cmd，首先创建虚拟环境，分别输入下面两条命令，完成虚拟环境的创建和激活

conda create -n dejahu-tf python==3.7.3conda activate dejahu-tf

安装

我们首先需要使用conda安装cuda和cudnn

conda install cudatoolkit=10.1conda install cudnn==7.6.5

然后使用pip指令安装gpu版本的tensorflow

pip install tensorflow-gpu==2.3.0

测试GPU是否可用

现在在命令行中测试一下GPU是否可用，首先输入python进入python的解释器中

输入下面两条指令，如果输出为True则表示GPU可以使用

import tensorflow as tfprint(tf.test.is_gpu_available())

如果大家的输出和我这个类似那么你就可以愉快地使用GPU版本的tensorflow了

tensorflow如果安装的是GPU版本的则默认使用GPU，大家不需要在代码中指定，直接使用即可

安装GPU版本的Pytorch

GPU版本Pytorch的安装

创建并激活虚拟环境

打开cmd，首先创建虚拟环境，分别输入下面两条命令，完成虚拟环境的创建和激活

conda create -n dejahu-torch python==3.7.3conda activate dejahu-torch

安装

我们这里使用conda进行gpu版本pytorch的安装，非常方便，直接在激活的虚拟环境中输入下列命令即可，这里安装的是最新版本的Pytorch

conda install pytorch torchvision torchaudio cudatoolkit=10.2

30系的朋友需要cuda11的支持，请执行下列命令

conda install pytorch torchvision torchaudio cudatoolkit=11.1 -c pytorch -c conda-forge

如果需要指定版本号，请这样执行

conda install pytorch==1.5.0 torchvision==0.6.1 cudatoolkit=10.2

测试GPU是否可用

现在在命令行中测试一下GPU是否可用，首先输入python进入python的解释器中

输入下面两条指令，如果输出为True则表示GPU可以使用

import torchprint(torch.cuda.is_available())

如果大家的输出和我这个类似那么你就可以愉快地使用GPU版本的Pytorch了

不过Pytorch会讲究使用device来指定GPU，需要大家通过to()方法做下转移

备用方案

另外受到网络的原因，可能需要大家手动安装cuda和cudnn，不过这种方法需要cuda和cudnn匹配，不推荐大家使用，命令如下

conda install cudatoolkit=10.1conda install cudnn==7.6.5

使用这些API，您可以开发分析工具，深入了解CUDA应用程序的CPU和GPU行为。CUPTI作为CUDA支持的所有平台上的动态库提供。请参阅CUPTI文档。

nvidia与cuda需要满足关系：
https://docs.nvidia.com/cuda/cuda-toolkit-release-notes/index.html

cuda与cudnn需要满足关系：
https://developer.nvidia.com/rdp/cudnn-archive

cuda历史版本下载连接：
https://developer.nvidia.com/cuda-toolkit-archive

Tensorflow不同版本要求与CUDA及CUDNN版本对应关系:
https://blog.csdn.net/u013066730/article/details/88845083