文章来源：微信公众号：EW Frontier 关注可了解更多的雷达、通信、人工智能相关代码。问题或建议，请公众号留言; 如果你觉得EW Frontier对你有帮助，欢迎加入我的知识星球或面包多，更多代码等你来学

以下内容是博主碰了无数坑总结出来的详细教程，相信很多搞深度学习的同学都有这样的经历，为了快速的进行网络结构的训练，我们需要利用GPU进行程序的运行，然而这并不是一个简单的过程，不是一句代码就可以解决的，它需要多个软件N个操作步骤，通常让很多同学放弃了深度学习的学习。今天我们就来讲一讲如何安装CUDA、cudnn，如何部署环境在tensorflow或者pytorch上，以及如何让你的电脑存在多个CUDA，一个用在tensorflow，另一个用在pytorch，同时进行深度学习与强化学习~

1.软件、插件版本配对

python、tensorflow、keras、pytorch、CUDA、CuDnn之间版本的匹配十分重要，在进行下载之前我们首先要了解你电脑的GPU显卡驱动以及其能满足的CUDA版本，其次要了解不同CUDA版本对应的python版本，以及适配的库tensorflow、keras、pytorch版本，找到对应的CUDA版本后，还要找到对应的CuDnn，这是一个十分啰嗦的过程，具体确定过程为：NVIDIA显卡-NVIDIA显卡驱动版本-CUDA版本-CuDnn版本-python版本-（tensorflow、keras、pytorch）版本。

下面将小编先将在网上搜集的版本对应列表附上：

pytorch：

tensorflow：

keras：

然后将确定的具体步骤附上：

查看显卡驱动版本及对应最高CUDA版本

鼠标右键属性 NVIDIA控制面板

能够看出我的电脑最高支持CUDA11.7

驱动版本是517.02

为什么给大家看驱动版本呢，因为按照CUDA时候要满足驱动版本的一个对应关系

2.软件、插件下载地址

现在大家应该知道如何进行软件及插件的下载，小编是利用pycharm进行实现的~接下来我们把软件、插件的下载链接奉上： CUDA版本-https://developer.nvidia.com/cuda-toolkit-archive

CuDnn版本-https://developer.nvidia.com/rdp/cudnn-download

需要注册登录才可下载

python版本-https://www.python.org

tensorflow版本-https://pypi.tuna.tsinghua.edu.cn/simple/tensorflow/

keras版本-https://pypi.tuna.tsinghua.edu.cn/simple/keras/

pytorch版本-https://download.pytorch.org/whl/torch_stable.html

3.软件、插件安装教程

1.选择合适的CUDA安装

2.选择与CUDA对应的CUDNN安装

3.将CUDNN粘贴到CUDA中

将解压好的CuDnn直接复制到下面文件夹即可

CUDA-这个步骤比较简单，大家可以在CSDN找到CUDA的安装教程即可，注意不要忘了配置环境变量。

CuDnn-在上面的下载链接中，下载CuDnn时，会提示是否与你选择的CUDA匹配，可以自行选择。

python-同样CSDN搜索安装步骤进行安装即可~

tensorflow、keras、pytorch- 第一种是利用win+r 输入cmd利用pip install进行在线安装。

第二种是pycharm软件内部安装。

第三种是下载好库的whl文件，利用win+r 输入cmd利用pip install进行离线安装（推荐）。

首先cd 到whl文件的目录，然后进行pip install 对应的文件名字

为什么推荐第三种方法呢？因为在前两种方法安装的过程中可能会出现提示你安装最新的版本，进而让你无法找到与CUDA匹配的库，所以需要采用自己离线安装的方式，但是大家不要觉得这样慢，实际这种方法更快。

4.测试是否安装成功

检测是否安装成功也分两种方法：

第一种是利用win+r cmd后输入nvcc -V

第二种是在你的IDE（我的是pycharm）中执行程序检测是否存在GPU可以使用

5.如何安装两个版本的CUDA

由于小编前一阵在搞强化学习，使用pytorch进行更方便，所以利用的CUDA11.7版本，然后在最近搞深度学习，想使用tensorflow进行，然而python3.10对应的CUDA11.7没有对应的tf-gpu可用，因此我就像使用另外一个版本的CUDA进行tensorflow训练，在安装的过程中始终提示失败，后来我把CUDA11.7卸载了，进行CUDA11.2的安装，成功了！经过我仔细研究发现CUDA的安装必须是先安装低版本，然后再安装高版本才可以~

安装之后要注意添加新的路径，一个是v11.7一个是v11.2，

因为系统不会自动的调用CUDA，所以如我使用v11.2，就需要将其路径提前，像下面这样v11.2在v11.7上面就可以了，通过上面的检测安装成功方法就会显示CUDA v11.2~

以上就是博主最近两周的收获，也彻底把python在GPU上跑了起来~发现速度大幅度提升，为下一步学习打下了良好的基础。