【人工智能】【深度学习】CUDA与CUDNN安装

简介: 【人工智能】【深度学习】CUDA与CUDNN安装

cuDA安装


基础

CUDA工具包

NVIDIA® CUDA® 工具包提供了开发环境,可供创建经 GPU 加速的高性能应用。借助 CUDA 工具包,您可以在经 GPU 加速的嵌入式系统、台式工作站、企业数据中心、基于云的平台和 HPC 超级计算机中开发、优化和部署应用。此工具包中包含多个 GPU 加速库、多种调试和优化工具、一个 C/C++ 编译器以及一个用于在主要架构(包括 x86、Arm 和 POWER)上构建和部署应用的运行时库。

借助多 GPU 配置中用于分布式计算的多项内置功能,科学家和研究人员能够开发出可从单个 GPU 工作站扩展到配置数千个 GPU 的云端设施的应用。

CUDA 工具包 | NVIDIA Developer

在设备管理器查看你的显卡

可以使用系统自带的搜索,搜索“设备管理器”

也可以使用cmd运行 devmgmt.msc

q2.png

了解你的显卡的计算力

CUDA GPU | NVIDIA Developer

q1.png

下载安装

Tips:安装包比较大,安装时间比较长,在安装过程中,建议不要进行其他操作

下载地址:CUDA Toolkit 11.6 Downloads | NVIDIA Developer

q5.png

q4.png

q3.png

q2.png

q1.png

我的电脑未安装Visual Studio,所以出现上述的提示,忽略继续即可

q4.png

q3.png

配置

安装完成后,在CMD窗口输入nvcc --version检查是否可用

q2.png

如果不能识别到nvcc,则需要配置系统环境变量

q1.png

q6.png

q5.png

配置完成后

可使用set cuda 查看配置的环境路径

q4.png

q3.png

cuDNN安装

NVIDIA cuDNN | NVIDIA Developer

注册登陆账号

q2.png

他需要你的登陆或者注册一个账号

1.建议使用 QQ/微信 登陆或者注册

2.部分地区需要去机场上网。否则注册提交后会显示网页访问失败等问题

q1.png

q6.png

q5.png

下载

登陆成功后,你点击下载,会叫你加入开发者计划,点击加入即可(点击后也许会让你重新登陆)

q4.jpg

加入后点击下载,会让你填一份表单,大致是你用这个来干啥的一个调查,填完提交就会进入下载界面,如下所示

q3.jpg

q2.png

勾选后就会出现可下载的版本,版本请和CUDA保持一致。我的是11.

q2.jpg

点开后会有更详细的选择,下载你需要的即可,我下载的exe可执行程序

q1.jpg

如果你无法访问到这个界面,也是需要我的这个版本的话,可以点击下方链接下载

下方链接是我从官网下载后,上传到第三方云盘分享出来的文件

我在曲奇云盘分享了文件 链接: https://quqi.avyeld.com/s/177997/4PhsSCbEQMUFnLxH

安装


运行可执行文件,第一步是让你选择一个安装路径,选择好后进入如下界面,开始安装

q1.png


q4.png

q3.png

q2.png

q1.png

安装完成

相关实践学习
部署Stable Diffusion玩转AI绘画(GPU云服务器)
本实验通过在ECS上从零开始部署Stable Diffusion来进行AI绘画创作,开启AIGC盲盒。
相关文章
|
21天前
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】Python之人工智能应用篇——音频生成技术
音频生成是指根据所输入的数据合成对应的声音波形的过程,主要包括根据文本合成语音(text-to-speech)、进行不同语言之间的语音转换、根据视觉内容(图像或视频)进行语音描述,以及生成旋律、音乐等。它涵盖了声音结构中的音素、音节、音位、语素等基本单位的预测和组合,通过频谱逼近或波形逼近的合成策略来实现音频的生成。 音频生成技术的发展主要依赖于深度学习模型,如循环神经网络(RNN)、长短时记忆网络(LSTM)、Transformer等。这些模型通过学习大量的音频数据,能够自动生成与人类发音相似甚至超越人类水平的音频内容。近年来,随着大规模预训练模型的流行,如GPT系列模型、BERT、T5等,
32 7
【深度学习】Python之人工智能应用篇——音频生成技术
|
11天前
|
机器学习/深度学习 并行计算 PyTorch
PyTorch与CUDA:加速深度学习模型训练的最佳实践
【8月更文第27天】随着深度学习应用的广泛普及,高效利用GPU硬件成为提升模型训练速度的关键。PyTorch 是一个强大的深度学习框架,它支持动态计算图,易于使用且高度灵活。CUDA (Compute Unified Device Architecture) 则是 NVIDIA 开发的一种并行计算平台和编程模型,允许开发者直接访问 GPU 的并行计算能力。本文将详细介绍如何利用 PyTorch 与 CUDA 的集成来加速深度学习模型的训练过程,并提供具体的代码示例。
27 1
|
21天前
|
机器学习/深度学习 人工智能 自然语言处理
探索人工智能的未来:深度学习的突破与挑战
【8月更文挑战第17天】本文将深入探讨人工智能的一个关键分支——深度学习,揭示其背后的原理、当前的研究热点以及未来可能遇到的挑战。我们将从深度学习的基础概念出发,逐步展开讨论,最后提出一个开放性问题,引发读者对未来技术发展的思考。
34 12
|
21天前
|
机器学习/深度学习 人工智能 算法
【深度学习】python之人工智能应用篇——图像生成技术(二)
图像生成是计算机视觉和计算机图形学领域的一个重要研究方向,它指的是通过计算机算法和技术生成或合成图像的过程。随着深度学习、生成模型等技术的发展,图像生成领域取得了显著的进步,并在多个应用场景中发挥着重要作用。
29 9
|
16天前
|
机器学习/深度学习 人工智能 自然语言处理
探索人工智能的未来:深度学习与我们的生活
【8月更文挑战第22天】在本文中,我们将深入探讨人工智能(AI)的未来发展趋势,特别是深度学习如何影响我们的生活。我们将从AI的基本概念出发,逐步解析深度学习的原理和应用,最后探讨AI在未来可能带来的改变。
|
21天前
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】python之人工智能应用篇——视频生成技术
视频生成技术是一种基于深度学习和机器学习的先进技术,它使得计算机能够根据给定的文本、图像、视频等单模态或多模态数据,自动生成符合描述的、高保真的视频内容。这种技术主要依赖于深度学习模型,如生成对抗网络(GAN)、自回归模型(Auto-regressive Model)、扩散模型(Diffusion Model)等。其中,GAN由两个神经网络组成:一个生成器用于生成逼真的图像或视频,另一个判别器用于判断生成的图像或视频是否真实。通过不断的对抗学习,生成器和判别器共同优化,以产生更高质量的视频。
23 2
|
21天前
|
机器学习/深度学习 人工智能 自然语言处理
【深度学习】python之人工智能应用篇--跨模态生成技术
跨模态生成技术是一种将不同模态的数据(如文本、图像、音频、视频等)进行融合和转换的技术。其目标是通过将一个模态的数据作为输入,生成与之对应的另一个模态的输出。这种技术对于突破单一模态的局限性,提高信息处理的准确性和丰富性具有重要意义。跨模态生成技术主要依赖于深度学习和生成模型,通过学习和模拟不同模态之间的映射关系来实现模态间的转换。
15 1
|
15天前
|
机器学习/深度学习 人工智能 自然语言处理
探索人工智能的未来:深度学习的新篇章
【8月更文挑战第23天】在人工智能的宏伟蓝图中,深度学习技术如同一颗璀璨的星辰,引领着科技的潮流。本文旨在揭示深度学习的发展趋势,探讨其在各行各业中的应用前景,并分析面临的挑战与机遇。我们将一同见证这一技术如何塑造未来世界,开启智能时代的新篇章。
|
17天前
|
机器学习/深度学习 人工智能 自然语言处理
探索人工智能的未来:深度学习的奥秘与挑战
【8月更文挑战第21天】人工智能技术正以前所未有的速度发展,其中深度学习作为其核心推动力之一,正在引领一场科技革命。本文将深入探讨深度学习的基本概念、发展历程以及面临的主要挑战,同时展望其在未来的发展趋势和应用前景。通过浅显易懂的语言,让读者对这一复杂而迷人的领域有一个全面的认识。
|
22天前
|
机器学习/深度学习 人工智能 自然语言处理
探索人工智能的未来:深度学习的新篇章
【8月更文挑战第16天】在这篇文章中,我们将深入探讨深度学习如何推动人工智能的未来发展。我们将分析深度学习的基本原理,以及它如何改变我们处理数据和解决问题的方式。文章将通过具体实例来展示深度学习在各个领域的应用,包括医疗保健、自动驾驶汽车和自然语言处理等。最后,我们将探讨深度学习面临的挑战和未来可能的发展方向。
下一篇
DDNS