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,

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

之后我们再手动添加以下几条:
  CUDA_SDK_PATH = C:ProgramDataNVIDIA CorporationCUDA Samplesv10.0
  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
 
vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

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:

  vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

2:鼠标右键点击添加项:

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

3:添加新建项:输入一个名称:我这里设置为cudaMain:

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

 

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;

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

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:

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

 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:

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

 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:

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

 

2:再执行  pip install tensorflow-gpu==1.14.0,即可下载对应的tensorflow版本;

vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,标配版,真实有效

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;