深度学习配置CUDA8.0/9.0及对应版本cuDNN安装

本人为中科院测地所博士生，所研究专业为自然地理学（遥感数据分析方向），研究课题偏向于深度学习。

由于本人不是计算机专业，故有关计算机配置及操作方面相较于计算机专业人员不是那么专业。所以请各位大牛大神绕道，我这里所做的一些工作比较浅显，仅供需要的各位一起交流。

在深度学习的配置环境过程中，第一步则是需要安装microsoft的visual studio。这个在本人的第一篇博客中已经说明。接下来，在深度学习的过程中，需要用GPU计算加快计算速度。笔者电脑的配置是win10+E5服务器cpu+N卡1070显卡。因此可以安装CUDA。关于CUDA的概念及作用在此我就不再赘述了，各位读者可以自行百度或在NVIDIA官网上查看。在此我贴出的是安装过程。

在配置深度学习的过程中，国外大牛有使用CUDA6.5/7.5/8.0/9.0的，深度学习及显卡计算能力发展快速，CUDA6.5及7.5即将淘汰，或与笔者的1070显卡不兼容（因为10系列采用了全新的帕斯卡架构），为了防止出现一些不兼容的错误及各版本都能计算，我同时安装了主流的CUDA8.0，及与10系列显卡兼容的最新CUDA9.1。

需要注意的第一点是，在配置时，vs2013=Microsoft Visual Studio 12.0，vs2015=Microsoft Visual Studio 14.0。建议CUDA9.1使用VS2015，CUDA8.0使用VS2013。本质上并没有区别，但为了区分方便而已。

需要注意的第二点是，两者可以安装在一台电脑上并不冲突。作者在搜索度娘时有人回答：可以同时安装，但必须先安装低版本（CUDA8.0）再安装高版本（CUDA9.0/9.1），对此笔者并没有证实，不知道所言是否正确。但为了电脑不会出什么差错，我还是先安装了8.0，再安装了9.1.实测并不冲突，可以兼容。

需要注意的第三点是，CUDA8.0对应的cuDNN版本是5.1，CUDA9.0对应的cuDNN7.0。同时，cuDNN可以同时安装在CUDA8.0和9.0中，而cuDNN7.0只能对CUDA9.0及以上适用。

各位读者最好事先在NVIDIA网站注册一个账号，便于下载使用。

先给出官方的CUDA下载地址，

CUDA9.1：https://developer.nvidia.com/cuda-downloads

CUDA8.0：https://developer.nvidia.com/cuda-80-ga2-download-archive

cuDNN7.0：https://developer.nvidia.com/cudnn

如果各位不知道怎么下载，可以去我的网盘查看

CUDA8.0-cuDNN5.1：链接：https://pan.baidu.com/s/1b6D3n4 密码：yhhf

CUDA9.1-cuDNN7.0：链接：https://pan.baidu.com/s/1jHYh67c 密码：jlfn

笔者并不是只安装，而是边安装别配置，这样一步步可以在某一个环节出问题就马上重来，而不用在最后发现出问题了又重新开始。

安装及配置过程本人以CUDA9.1/cuDNN7.0为例，CUDA8.0/cuDNN5.1同理。

打开CUDA9.1安装文件

安装文件会解压，默认路径为

可以自己选择路径存放安装包

选择后开始提取

需要注意的是，如果电脑安装有360，会误报查杀，这个时候需要手动下拉菜单，选择允许程序的所有操作，否则会被360隔离

安装文件提取完成后，会自动运行安装程序，这个时候会有短暂的系统兼容性检查

同意协议并继续安装

如果对电脑不熟悉的同学可以直接选择精简安装，这个时候不用选择什么，直接安装就可以了。

对电脑配置较熟悉的同学可以选择自定义安装，并自定义安装文件夹。

自定义安装文件夹的好处是可以不占用C盘系统盘空间，数据也可以自己方便处理。

笔者选择了自定义安装

默认安装所有程序

这个时候会有安装位置的选择。程序默认安装在C盘。如果不想改的同学就可以点安装了。

需要说明的是：sanple和cuda程序不是安装在同一个文件夹的。程序文件夹program files很好找，但是sample的programdata文件夹在哪呢？这里需要一个小操作，显示隐藏文件夹：

打开C盘或任意文件夹，点击查看，在隐藏的项目前打勾，这样就显示了

正是因为笔者觉得这样很麻烦，还占用系统盘空间，所以选择了安装自己指定的文件夹，当然自己要记住就行，因为配置的时候这个文件夹路径是需要用到的。作者的安装路径如下图所示：

之后会有比较长时间的安装过程。

这个安装就比较有意思了，有的电脑会在安装过程中闪动，之后安装直接成功。直接安装成功可以直接跳到验证阶段。

但有的电脑，比如说笔者的电脑，会黑屏，然后再无响应，不怕，按笔者的解决方法，亲测可以安装完成。

电脑不是黑屏了吗，笔者去吃饭了，过了很久回来看到黑屏以后，打开sample文件夹，发现例子已经安装好，但是cuda文件夹是空的

于是长按机箱关机键关机，重启电脑，再次运行安装程序，即CUDA安装再来一遍，此后安装成功，也不会黑屏。安装成功画面如图：

如果黑屏。重启安装是绝对可以的！！笔者黑屏只能跟你们说说，也截不了屏对吧。。。。。另外笔者电脑没有安装vs2010,2012和2017，但是其余的都安装成功，有vs2013和2015就够啦！

这样就全部安装成功。

这个时候就要验证一下CUDA是否安装好了，有以下几种检验方法

第一种是打开cmd，输入nvcc -V，显示如下，则CUDA安装成功。如果安装8.0版本就是v8.0....

第二种，命令行中运行C:\Program Files\NVIDIA Corporation\NVSMI\nvidia-smi.exe，可以得到GPU运行时的监测界面，则CUDA安装成功

第三种，运行CUDA Samples，以deviceQuery.exe为例，打开VS2015,点击文件，打开刚刚安装的示例文件

在release条件下生成项目，会显示成功，则CUDA安装成功。

第四种，运行CUDA Samples，以bandwidthTest.exe为例，打开VS2015,点击文件，打开刚刚安装的示例文件

在debug条件下生成项目，会显示成功，则CUDA安装成功。第三种第四种本质上是一样的，都是运行示例文件，在此放一个截图即可。

第五种就厉害了，首先右键我的电脑，看系统变量中是否包含刚刚安装的CUDA文件夹。如果包含直接下一步，如果不包含加入系统变量

打开vs2015，新建项目，通过CUDA9.1新建cpp

复制粘贴以下代码

// CUDA runtime 库 + CUBLAS 库 #include "cuda_runtime.h" #include "cublas_v2.h" #include <time.h> #include <iostream> using namespace std;// 定义测试矩阵的维度 int const M = 5;int const N = 10;int main(){// 定义状态变量 cublasStatus_t status;// 在内存中为将要计算的矩阵开辟空间 float *h_A = (float*)malloc(N*M * sizeof(float));float *h_B = (float*)malloc(N*M * sizeof(float));// 在 内存 中为将要存放运算结果的矩阵开辟空间 float *h_C = (float*)malloc(M*M * sizeof(float));// 为待运算矩阵的元素赋予 0-10 范围内的随机数 for (int i = 0; i<N*M; i++) {h_A[i] = (float)(rand() % 10 + 1);h_B[i] = (float)(rand() % 10 + 1);}// 打印待测试的矩阵 cout << "矩阵 A :" << endl;for (int i = 0; i<N*M; i++) {cout << h_A[i] << " ";if ((i + 1) % N == 0) cout << endl;}cout << endl;cout << "矩阵 B :" << endl;for (int i = 0; i<N*M; i++) {cout << h_B[i] << " ";if ((i + 1) % M == 0) cout << endl;}cout << endl;/*** GPU 计算矩阵相乘*/// 创建并初始化 CUBLAS 库对象cublasHandle_t handle;status = cublasCreate(&handle);if (status != CUBLAS_STATUS_SUCCESS){if (status == CUBLAS_STATUS_NOT_INITIALIZED) {cout << "CUBLAS 对象实例化出错" << endl;}getchar();return EXIT_FAILURE;}float *d_A, *d_B, *d_C;// 在 显存 中为将要计算的矩阵开辟空间 cudaMalloc((void**)&d_A, // 指向开辟的空间的指针 N*M * sizeof(float) //　需要开辟空间的字节数 );cudaMalloc((void**)&d_B,N*M * sizeof(float));// 在 显存 中为将要存放运算结果的矩阵开辟空间 cudaMalloc((void**)&d_C,M*M * sizeof(float));// 将矩阵数据传递进 显存 中已经开辟好了的空间 cublasSetVector(N*M, // 要存入显存的元素个数 sizeof(float), // 每个元素大小 h_A, // 主机端起始地址 1, // 连续元素之间的存储间隔 d_A, // GPU 端起始地址 1 // 连续元素之间的存储间隔 );cublasSetVector(N*M,sizeof(float),h_B,1,d_B,1);// 同步函数cudaThreadSynchronize();// 传递进矩阵相乘函数中的参数，具体含义请参考函数手册。 float a = 1; float b = 0;// 矩阵相乘。该函数必然将数组解析成列优先数组 cublasSgemm(handle, // blas 库对象 CUBLAS_OP_T, // 矩阵 A 属性参数 CUBLAS_OP_T, // 矩阵 B 属性参数M, // A, C 的行数 M, // B, C 的列数N, // A 的列数和 B 的行数&a, // 运算式的 α 值 d_A, // A 在显存中的地址 N, // lda d_B, // B 在显存中的地址 M, // ldb &b, // 运算式的 β 值 d_C, // C 在显存中的地址(结果矩阵) M // );// 同步函数 cudaThreadSynchronize();// 从 显存 中取出运算结果至 内存中去cublasGetVector(M*M, // 要取出元素的个数 sizeof(float), // 每个元素大小 d_C, // GPU 端起始地址 1, // 连续元素之间的存储间隔 h_C, // 主机端起始地址1 // 连续元素之间的存储间隔 );// 打印运算结果 cout << "计算结果的转置 ( (A*B)的转置 )：" << endl;for (int i = 0; i<M*M; i++) {cout << h_C[i] << " ";if ((i + 1) % M == 0) cout << endl;}// 清理掉使用过的内存 free(h_A);free(h_B);free(h_C);cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);// 释放 CUBLAS 库对象cublasDestroy(handle);getchar();return 0;}

在运行前还要进行如下操作：

右键生成自定义，选择安装好的CUDA9.1

右键cu属性，选择配置属性，项类型中选择cuda c++

右键属性，在vc目录中加入变量：

包含目录为：D:\professionalsoft\NVIDIA\CUDA Documentation&Development\v9.1\include

库目录：D:\professionalsoft\NVIDIA\CUDA Documentation&Development\v9.1\lib

配置属性–>连接器–>输入–>附加依赖项中添加库文件

cublas.lib 
cuda.lib 
cudadevrt.lib 
cudart.lib 
cudart_static.lib 
nvcuvid.lib 
OpenCL.lib

按F5运行，得到结果，则CUDA安装成功。

安装且配置验证好CUDA以后，下面安装cuDNN，其实并不叫安装，就是把解压后的文件复制到CUDA文件夹中

下面进行最后一步，验证cuDNN安装是否成功

打开vs2015，新建项目，新建cpp，复制粘贴以下代码

#include <iostream>#include <cuda_runtime.h>#include <cudnn.h>using namespace std;void main() {cudnnHandle_t handle;cudnnStatus_t t = cudnnCreate(&handle);cout << cudnnGetErrorString(t);getchar();}

项目属性/VC++ Directories/Include Directories 中添加入include的路径

在项目属性/VC++ Directories/Libary Directories 中添加入lib\x64路径

在项目属性/Linker/Input/Additional Dependencies  中添加入cudnn.lib;

项目属性/CUDA C|C++ / Device /Code Generation 中，将sm_20改为 sm_30或更高;

例如笔者的是1070.可以改为61

项目属性修改完毕。按F5运行。得到cudnn成功状态，则cuDNN安装成功

至此，CUDA8.0/9.1及对应cuDNN 5.1/7.0安装且配置成功。使用GPU计算是深度学习计算的基础，配置成功以后，深度学习计算速度使用GPU将更快了。