1 cuda的下载及安装

1.1 查看适合的cuda版本

 我电脑上支持的cuda是11.6的

1.2 cuda toolkit下载

​​​​​kCUDA Toolkit Archive | NVIDIA Developer

进入上述网页，找到适合的cuda

1.3 cuda toolkit安装

双击exe文件进行安装即可

1.4 配置环境

 打开 设置->高级系统设置->环境变量 

        红框里的是系统自动添加的，蓝框里的有些情况系统不会自动添加，需要手动添加，添加时注意自己的路径。

NVCUDASAMPLES_ROOT  C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6NVCUDASAMPLES11_6_ROOT  C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.6

 1.4 验证

 win+R，输入cmd，输入nvcc --version查看版本号，输入set cuda查看设置的环境变量

2 cuANN下载及安装 

2.1 cuDNN下载

 下载地址如下，下载之前需要注册一下
https://developer.nvidia.com/rdp/cudnn-download

 如下链接，有适合自己的版本

cuDNN Archive | NVIDIA Developer

2.2 cuDNN配置

将cuDNN解压到D盘

 将三个文件夹拷贝到到cuda的安装目录下。默认的安装路径为

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6

2.3 添加环境变量

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\bin
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\include
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\lib
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6\libnvvp

2.4 验证

       win+R cmd进入安装目录下，再进入到 extras\demo_suite下，执行.\bandwidthTest.exe和.\deviceQuery.exe，得到下图。

3 安装GPU版的torch（不需要torch的忽略）

当跑深度学习代码时，会出现如下错误，原因是原先安装的是GPU版本的torch。

3.1 安装GPU版torch

进入官网Start Locally | PyTorch

选择各配置，复制红线链接

 

打开torch和torchvision选择适合自己的版本

 进入该路径下执行pip

pip install torch-1.12.1+cu116-cp38-cp38-win_amd64.whlpip install torchvision-0.13.1+cu116-cp38-cp38-win_amd64.whl

 

 cuda可以用，代码已经可以正常执行