如何查询自己下载的torch为gpu版本 torch的cuda版本对应

背景

出于复现他人代码的需要，有时候我们需要在系统里安装不同版本的pytorch或者tensorflow深度学习框架。而多数情况下，这些框架不同版本之间的兼容性并不是太好，即我们无法在同一个conda虚拟环境里复现其他作者的代码结果。因此，知晓如何在系统里安装pytorch与tensorflow，并使之正常工作就显得尤为必要。

本文基于以上教程，在Ubuntu18.04安装了pytorch1.5，并参考了网络上的各种教程，安装了tensorflow 1.12，成功跑通代码。

硬件

1. CPU: Intel Core i7-4710HQ(对，你没有看错，这是一颗移动U，被魔改到B85平台……华强北赛高)
2. GPU: Nvidia GTX1660 super
3. RAM: 8G*2
4. 芯片组：B85

软件

• pytorch_v1.5所需cuda库：cuda_10.1.105_418.39_linux.run, cuDNN-10.1-linux-x64-v8.0.3.33.tgz,
• tensorflow_v1.12所需cuda库：cuda_9.0.176_384.81_linux-run, cudnn-9.0-linux-x64-v7.tgz

注：tensorflow各版本有严格的python, gcc, CUDA, cuDNN版本要求，下载时需注意。

https://www.tensorflow.org/install/source#tested_build_configurationswww.tensorflow.org

下载以上文件下载地址：

cuda文件：

 https://developer.nvidia.com/cuda-downloads?target_os=Linux&target_arch=x86_64&target_distro=Ubuntu&target_version=1804&target_type=runfilelocaldeveloper.nvidia.com 
 

cuDNN文件：

cuDNN Archivedeveloper.nvidia.com

注：下载cuDNN需要注册英伟达账号。

---

必要步骤：

step1 按照教程安装CUDA 10.1 与cuDNN 8.0.3.33

step 2 查看本机cuda版本

输入指令："nvidia-smi"，以查看本机Driver Version，CUDA Version：

输入指令："nvcc -V"，以查看CUDA runtime api：

可以看到，nvcc -V的结果与nvidia-smi的结果并不一致，这是因为CUDA有两个主要API，runtime api, driver api，nvidia-smi返回的是driver-installer安装的CUDA库，而nvcc -V返回的是由CUDA toolkit installer安装的cuda库。（搭建pytorch环境时，先安装的显卡驱动，再安装cuda-10.1时，并未安装driver，从这里导致以上两指令返回结果不一致）

只需要知道，driver api与runtime api之间没有联系。通常情况下，nvidia-smi的CUDA version大于nvcc -V的CUDA version并不会引起什么问题。

step3 安装必要文件

输入指令: "sudo apt-get install g++ freeglut3-dev build-essential libx11-dev libxmu-dev libxi-dev libglu1-mesa libglu1-mesa-dev"

安装gcc 6，输入指令: "sudo apt install gcc-6", "sudo apt install g++-6"

step4 安装cuda 9.0

1. cd到您存储cuda_9.0.176_384.81_linux-run的文件夹，输入指令: "chmod +x cuda_9.0.176_384.81_linux-run", "sudo ./cuda_9.0.176_384.81_linux-run --override".

注意：安装过程中千万不要安装显卡驱动；当询问"Install the CUDA 9.0 Toolkit?"选择"yes"；选择默认安装位置；拒绝添加symbolic link（yes此操作会将系统的cuda指向新安装的版本）

2. 配置CUDA相关环境变量（Pytorch安装教程已经设置，略去）

至此，CUDA9.0库已经安装到系统之中。

step5 切换系统默认CUDA版本

step4所做的只是在系统中安装了CUDA 9.0库，并没有将系统CUDA指向9.0版本，此时默认指向CUDA 10.1。切换步骤如下：

打开终端，输入指令："cd /usr/local", "sudo rm -rf cuda", (清除原有软链接)"sudo ln -s /usr/local/cuda-9.0 /usr/local/cuda"(建立新的指向CUDA 9.0的软链接)

输入指令："nvcc -V"以查看当前CUDA指向的是哪个版本，不出意外应为如下结果。

step6 安装cuDNN 7

cd到您所存储cudnn-9.0-linux-x64-v7.tgz的文件夹，并解压。注意千万不要和cuDNN-10.1-linux-x64-v8.0.3.33.tgz解压路径一致，否则两者会相互覆盖。

继续输入指令：

sudo rm -rf /usr/local/cuda/include/cudnn.h
sudo rm -rf /usr/local/cuda/lib64/libcudnn*
sudo cp cuda/include/cudnn.h   /usr/local/cuda-9.0/include 
sudo cp /cuda/lib64/libcudnn*   /usr/local/cuda-9.0/lib64
sudo chmod a+r /usr/local/cuda-9.0/include/cudnn.h    /usr/local/cuda-9.0/lib64/ibcudnn*

这时便将cuDNN 7的头文件复制到CUDA 9.0中。

step7 安装tensorflow-v1.12

1. 创建conda虚拟环境："conda create -n tf1.12 python=3.6"

2. 激活虚拟环境tf1.12："conda activate tf1.12"

3. 安装tensorflow-gpu包："conda install tensorflow-gpu=1.12"

4. 输入指令："conda list" 以查看当前虚拟环境是否成功安装库。不出意外，应有以下输出：

5. 检验tensorflow是否能够调用GPU：tf1.12虚拟环境输入指令"python"，输入代码：

import tensorflow as tf
sess = tf.Session(config=tf.ConfigProto(log_device_placement=True))

若检测到GPU，即有以下结果，则tensorflow可成功调用GPU运算。

step8 系统切换回CUDA 10.1

1. 输入指令："cd /usr/local", "sudo rm -rf cuda"(清除原有软链接), "sudo ln -s /usr/local/cuda-10.1 /usr/local/cuda"(建立新的指向CUDA 10.1的软链接)

2. 输入指令: "nvcc -V"以查看系统CUDA runtime api，若输出为cuda 10.1则切换成功。

---

至此，pytorch与tensorflow已成功在ubuntu 18.04安装成功，并且可以调用各自对应的CUDA版本。

为保证程序的稳定运行，通常建议复现一个工程对应一个环境，这样将库的干扰做到最小。

参考：

https://medium.com/@patrickorcl/install-cuda-10-and-cudnn-on-ubuntu-18-b28b59bae279medium.com https://medium.com/@yifanguo1129/install-cuda-9-0-and-cudnn-7-2-on-ubuntu-18-04-d9a7aeb89105medium.com

ubuntu18.04 安装多版本cuda(原9.0，新安装10.0)，并随时切换使用blog.csdn.net