cudnn

确认显卡支持 cuda 首先确认显卡是否是 英伟达 NVIDIA 的，当然 AMD 也支持，但是不常用； NVIDIA 显卡有 GTX Geforce、Quadra 和 Tesla 三大系列，然后到如下网站查看是否支持 Cuda https://developer.nvidia.com/cuda-gpus 点击如下链接即可查看每个系列支持 cuda 的显卡版本 安装显卡驱动 在安装CUDA过程中，你可能各种尝试，把显卡驱动整坏了，可以重新安装；　　　　【我就是这样，然后死活装不上 cuda，后来重装驱动，搞定】 在 https://www.nvidia.cn/Download/index.aspx?lang=cn 获取自己显卡的最新驱动版本； 下载，双击安装； 安装 cuda 驱动 访问CUDA的下载网站： https://developer.nvidia.com/cuda-toolkit ，可以看到CUDA目前的最新版本，可以通过选择下面的“Legacy Releases”链接来下载旧版本的驱动； 建议选择自定义安装，然后只勾选cuda，建议安装在默认文件路径； 把 安装路径下的 bin 目录设为 环境变量 ：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin 安装 cudnn 库 CuDNN库（The

1. 查看cpu相关信息，包括型号、主频、内核信息等 cat /proc/cpuinfo 2. 查看Linux内核版本命令 cat /proc/version 或者使用 uname -a 查看电脑以及操作系统的相关信息 3.查看cuda版本 cat /usr/local/cuda/version.txt 4.查看cudnn版本 cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 5.显示当前路径 pwd 来源： https://www.cnblogs.com/kongle666/p/12567679.html

检查Driver Note: 一台机器只能对应一个nvidia driver，而一个nvidia driver可以对应多个cuda。只要在自己的路径下把cuda指定成特定版本就行。 尽量不要使用/usr/local/下面的默认cuda/，防止因为ln对象会发生变化而造成影响。 nvidia driver版本 决定了 可用的cuda范围， 进而决定了 可用的tensorflow-gpu版本。所以，每次上一台新机器前，首先确定nvidia driver版本。 查看nvidia driver版本： cat /proc/driver/nvidia/version Table 1. CUDA Toolkit and Compatible Driver Versions ： 安装Cuda 查看本机操作系统： cat /etc/issue 前往英伟达官网，下载对应的cuda版本： Note： 以下以cuda9.0为例。 安装cuda： sudo sh cuda_9.0.176_384.81_linux.run Note: 勿装driver！否则会安装失败！ 写入对应路径： vim ~/.bashrc export PATH = /usr/local/cuda-9.0/bin: $PATH export LD_LIBRARY_PATH = /usr/local/cuda-9.0/lib64:

cpu换成gpu 之前的工作： Mask_RCNN入门（一）—— 跑通代码 Mask_RCNN入门（二）—— 训练自己的数据集 其实是在CPU上跑的，这一点可以在requirements.txt中可以看到： tensorflow就是CPU版，GPU版本是tensorflow-gpu。 所以第一步是卸载tensorflow，安装tensorflow-gpu，为了避免兼容性冲突，tensorflow-gpu同样使用1.6.0版本。 卸载tensorflow： python -m pip uninstall tensorflow 安装tensorflow-gpu： python -m pip install tensorflow-gpu==1.6.0 driver，CUDA，cuDNN和tensorflow-gpu 安装完tensorflow-gpu之后，如果直接运行demo.py或者train.py会报错： ImportError: Could not find 'cudart64_90.dll’ 其实信息明确了，到指定网址下载安装CUDA 9.0。 这里开一下上帝视角：CUDA，包括后面同样会报错需要下载的cuDNN，它们是什么，还有和CUDA版本紧密相关的显卡驱动又是什么？ driver 这个最好理解，这个和键盘驱动，鼠标驱动，打印机驱动等等没本质区别，计算机（确切地说是CPU

本教程基于win10系统，所用到的工具为Anaconda3，PyCharm 你需要已经安装好以上工具，具体操作略。 首先确定你的显卡是否支持gpu加速，可在 nvidia官网 查看是否有你的显卡所对应的算力，如图。 为了不影响其他的工作环境，本教程创建anaconda虚拟python环境，打开Anaconda Prompt，输入指令 conda create - n your_env_name python==3 . 6 待安装完成后，输入指令 conda env list conda会罗列出所有你所创建的环境，如图 输入如下指令，进入conda虚拟python环境，接下来的所有操作都在此虚拟环境下进行 activate your_env_name 如图进入python虚拟环境 安装tensorflow-gpu 接下来输入如下指令安装tensorflow-gpu pip install tensorflow - gpu 如需安装指定版本(例如1.12.0)键入 pip install tensorflow - gpu==1 . 12 . 0 安装过程会安装tensorflow-gpu及其依赖包，耗时略长，建议更换国内源，例如中科大、清华、豆瓣等 （tensorflow还有离线安装方式，本教程略） 待安装完成后并不能正常运行，会报错DLL缺少模块