您现在的位置是:首页 >技术教程 >NVIDIA GPU Driver, CUDA 和 PyTorch的版本关系网站首页技术教程
NVIDIA GPU Driver, CUDA 和 PyTorch的版本关系
我们在进行深度学习环境配置的时候,会遇到各种各样的问题。有各种各样的驱动、包需要安装。不同驱动和包之间的还存在版本适配问题,刚入手的同学会一脸懵逼。配置环境成了入门的第一道门槛。我现在总结了NVIDIA 显卡 + Anaconda资源库 + PyTorch深度学习框架的环境配置指南,希望能够帮助大家。
显卡驱动安装
首先需要安装显卡驱动,显卡驱动不需要每个人安装,只需要拥有root的权限的管理者为整台服务器安装即可,选择一款与服务器显卡适配的驱动,安装指南参考NVIDIA显卡驱动。值得注意的是,每个版本的显卡驱动都有对应的CUDA Driver Version(后续会提到)。显卡型号和CUDA Driver Version型号可以通过nvidia-smi查看。
Ubuntu 下 CUDA Toolkit Installer
接着需要安装CUDA和CuDNN套件,此套件也不需要所有用户都安装,建议root权限管理者在服务器地址 /usr/local/ 下,通过官网提供的CUDA Toolkit Installer安装多个版本的CUDA,如下图,我在对应地址下安装了两个版本的CUDA。
安装指南参考CUDA and cuDNN 配置.
其他用户只需要根据自己的需求,在使用前修改自己的环境变量,即修改 ~/.bashrc文件中的CUDA环境变量,即可灵活切换不同版本的CUDA。
export PATH=/usr/local/{cuda root}/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/{cuda root}/lib64$LD_LIBRARY_PATH
普通用户修改并激活环境变量后,可以查看该版本CUDA对应的 CUDA Runtime Version。
nvcc编译器路径为/usr/local/{cuda-version}/bin
注意:
CUDA有Driver Api 和 Runtime api,分别对应显卡驱动的CUDA Driver Version 和 CUDA Toolkit Installer 的 CUDA Runtime Version。CUDA Driver Version 和 CUDA Runtime Version的版本不必非要一致,driver api的版本能向下兼容runtime api的版本,因此要CUDA Runtime Version<=CUDA Driver Version。
PyTorch安装
在PyTorch官网上使用命令行下载的时候,会发现也需要指定cudatoolkit的版本,此时的cudatoolkit的版本应与环境变量对应的CUDA Runtime Version相同。
各个版本相互关系
以下是笔者假设与猜想,没有证实
参考链接:https://blog.csdn.net/IMBINGO/article/details/118497217