（2018最新）win10+CUDA9.0+cudnn7.1.4+TensorFlow1.8.0安装

【时间】2018.11.30

【题目】win10+CUDA9.0+cudnn7.1.4+TensorFlow1.8.0安装

概述

本文主要讲述了win10+CUDA9.0+cudnn7.1+TensorFlow1.8.0安装。下面是官方教程，是英文版的。

CUDA：https://docs.nvidia.com/cuda/cuda-installation-guide-microsoft-windows/index.html

cuDNN：https://docs.nvidia.com/deeplearning/sdk/cudnn-install/index.html#installwindows

CUDA9.0+cudnn7.1.4 下载链接：链接：https://pan.baidu.com/s/1C56ubJn1PTFYGTlYgRsemA 提取码：10fb

一、安装的各个版本

tensorflow 1.8.0

下载地址：

CUDA9.0：https://developer.nvidia.com/cuda-toolkit-archive

【注意】本人在下载 exe(local)版本时，总是在最后的时候下载失败，所以最后选择了下载exe(network）版本，只有十几M。

cudnn7.1.4:https://developer.nvidia.com/rdp/cudnn-download

【注意】在此网站中下载需要先注册账号，用QQ邮箱即可注册。

本文选择安装tensorflow 1.8.0版本，安装命令为：pip install tensorflow_gpu==1.8.0,注意截止至本文时间，tensorflow_gpu已经更新到了1.11.0，如果直接使用pip install tensorflow_gpu安装，会安装最新版本，可能会不兼容。与各CUDA对应的
tensorflow版本如下：

PS：图片来源为：https://www.tensorflow.org/install/source，Linux与Mac的对应版本也可在此网址中查看。

二、CUDA9.0安装与环境配置

1、安装

下载好安装包后，打开直接点击‘next’下一步进行安装，安装（提取）路径默认为C盘就好。因为这只是文件的提取路径而已，安装完成后会自动删除，最后都是安装在C盘下的 C:\Program Files\NVIDIA Corporation和C:\Program Files\NVIDIA GPU Computing Toolkit 文件夹中。

2.添加环境变量（参考链接：https://blog.csdn.net/m0_37870649/article/details/79327178）

安装结束后，我们在计算机上点右键，打开属性->高级系统设置->环境变量，可以看到系统中多了CUDA_PATH和CUDA_PATH_V9_0两个环境变量。

我们还需要在环境变量中添加如下5个变量：

CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v9.0

CUDA_LIB_PATH = %CUDA_PATH%\lib\x64

CUDA_BIN_PATH = %CUDA_PATH%\bin

CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64

CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

设置完成之后，我们可以打开cmd来查看刚才设置的环境变量：

下一步是监测cuda安装成功与否:

在cuda安装文件夹C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\demo_suite中有deviceQuery.exe 和 bandwidthTest.exe两个程序。

首先启动cmd DOS命令窗口，默认进来的是c:\users\Admistrator>路径，输入 cd .. 两次，来到c:目录下输入dir 找到安装的cuda文件夹。分别输入deviceQuery.exe 和 bandwidthTest.exe，运行结果如图所示。Rsult=PASS则说明通过，反之，Rsult=Fail 则需要重新安装。

如果以上都没问题，则说明CUDA9.0安装成功。

【注意】这时可以使用命令nvidia-smi查看GPU的使用情况，不过需要cd 到C:\Program Files\NVIDIA Corporation\NVSMI ，或者将C:\Program Files\NVIDIA Corporation\NVSMI添加到环境变量Path中，结果如下：

三、安装cudnn7.1

1、解压压缩包，把压缩包中bin,include,lib中的文件分别拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0目录下对应目录中。

即分别拷贝到的文件夹如下：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\include

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\lib\x64

2、把C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\extras\CUPTI\libx64\cupti64_80.dll 拷贝到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0\bin （本人安装时没有进行这一步）

四、设置电脑使用GPU运行程序（一般不用设置）

一般安装好tensorflow-gpu后，当运行机器学习程序时，系统会自动调用GPU运行代码。但是有时系统不会自行设置或者但你电脑拥有多块GPU时，可以使用一下方法设置使用的GPU。参考链接：http://www.ghost580.net/article/9443.html

在图像设置中进行设置，你可以搜索‘图像设置’即可找到。

第一个下拉菜单提供您选择经典应用程序或通用应用程序。如果您选择经典应用程序，则需要手动浏览并选择该应用程序的EXE文件。如果您选择UWP应用程序，则会在您的PC上提供已安装应用程序的列表。

填充完列表后，选择要自定义图形性能的应用程序，然后选择选项。下一个窗口会根据性能列出显卡。您应该使用它们的名称来节省GPU和高性能GPU。

选择，系统默认，省电和高性能。然后保存它。其中省电就是使用原本电脑的GPU，而高性能则是使用附加的GPU如1080Ti等。

PS1：暂时没有找到在WIN10中指定程序运行使用特定的GPU的方法，在Linux中使用的CUDA_VISIBLE_DEVICES=0 python code.py的方法并不适用，只能在代码中设置，例如：

#指定第一块GPU可用

os.environ["CUDA_VISIBLE_DEVICES"] = "0" 

config = tf.ConfigProto()

#不全部占满显存, 按需分配

config.gpu_options.allow_growth=True

sess = tf.Session(config=config)

KTF.set_session(sess)

PS2：除了使用nvidia-smi查看GPU使用情况外，还可以在任务管理器----性能中查看：

来源：CSDN

作者：C小C

链接：https://blog.csdn.net/C_chuxin/article/details/84666616

标签

cuda

英伟达

tensorflow