首先下载安装cuda
1: 各种版本,需要注册一个nvidia developer,用n卡账号登陆进去注册就行了,很简单。注册成功:
安装过程全程默认即可。因为配置cuda的时候会有vs的要求,所以需要下载vs2017,不然cuda会报错。
2:设置环境变量,**打开系统变量,安装过程中已经自动添加了两条环境变量,
CUDA_LIB_PATH = %CUDA_PATH%libx64
CUDA_BIN_PATH = %CUDA_PATH%bin
CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%binwin64
CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%commonlibx64
3:检测安装,安装目录下.extrasdemo_suite有deviceQuery.exe 和 bandwidthTest.exe两个exe文件,我们用cmd来运行检查安装成功与否。
在cmd界面进入cuda10的安装文件夹,键入deviceQuery.exe和bandwidthTest.exe 来运行,最后Result = PASS 即可。
安装好了之后cuda并不一定能在软件中运行,所以还需配置vs2017。
配置vs2017(注意,cuda中的sample目前最高只能支持到vs2017版本,2019版本的不支持,所以强烈建议下个vs2017):
1:建立一个空项目:
2:鼠标右键点击添加项:
3:添加新建项:输入一个名称:我这里设置为cudaMain:
4:生成依赖项:鼠标右键点击生成依赖项:点击自定义;勾选cuda10;
配置包含目录和库目录还有链接器:鼠标点击右键选择属性:
1.x64
1.1 包含目录配置
2.添加包含目录:
$(CUDA_PATH)include
1.2 库目录配置
1.VC++目录–>库目录
2.添加库目录:
$(CUDA_PATH)libx64
1.3 依赖项
链接器–>输入–>附加依赖项
添加库文件:
cublas.lib
cuda.lib
cudadevrt.lib
cudart.lib
cudart_static.lib
nvcuvid.lib
OpenCL.lib
备注: 配置时需注意,除了上述添加的lib文件外,x64还有其他的lib库文件,如cublas.lib,如运行1.6的样例时,要添加这个库,不然会编译失败。
#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 // ldc ); // 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; }
计算结果:
cudnn7.4和tensorflow-gpu1.14+python3.5一起给出:
cudnn7.4网址:cudnn下载地址,选择 for CUDA 10.0 那个版本,之后将bin、include、lib三个文件夹覆盖粘贴至CUDA安装目录即可。
python3.5:网上找出地址,把python3.5下载好,然后安装即可;
tensorflow-gpu:
1:先看看自己的pip在哪里:
2:再执行 pip install tensorflow-gpu==1.14.0,即可下载对应的tensorflow版本;
由于我这里已经下载好了,所以就会显示出来已下载;
建议大家可以用清华源的pip下载,速度可不是一般的快啊;哈哈
至此,大家可以愉快的玩耍神经网络和深度学习了;
本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效 - Python技术站