响应式网站建站价格,外贸推广方式,如何做简单网站首页,网络规划设计师教程第2版 下载最近在家过年闲的没事#xff0c;于是研究起深度学习开发工具链的配置和安装#xff0c;之前欲与天公试比高#xff0c;尝试在win上用vscodecuda11.6vs2019的cl编译器搭建cuda c编程环境#xff0c;最后惨败#xff0c;沦为笑柄#xff0c;痛定思痛#xff0c;这次直接和…
最近在家过年闲的没事于是研究起深度学习开发工具链的配置和安装之前欲与天公试比高尝试在win上用vscodecuda11.6vs2019的cl编译器搭建cuda c编程环境最后惨败沦为笑柄痛定思痛这次直接和cl编译器离的远远的。
安装WSLvscode工作链
首先是已经安装好了wsl2,wsl是windows下的Linux子系统特别好用相当于集齐了linux的开源架构特点和win中的图形化界面(我安装wsl2后下载的是ubuntu 22.04LTS版本)。直接可以在命令行启动或者也可以在vscode中安装一个插件。
wsl安装命令如下来自deepseek不保证完全可行
wsl --install
wsl --list --online
wsl --install -d Ubuntu 正是该传奇插件安装好后就可以通过remote SSH直连WSL2相当于借鸡生蛋只是借用了个windows中的vscode的图形化界面操作的还是Linux中的东西。 这里可以看到打开的终端对应的是linux中的bash shell。
安装cuda11.7
然后就是安装cuda11.7(之所以选择cuda11.7是因为cuda11.7比较完善而且GPU Invida3060以上就能支持),大概的安装命令就是问deepseek就行了deepseek给出的安装办法如下
wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pin
sudo mv cuda-wsl-ubuntu.pin /etc/apt/preferences.d/cuda-repository-pin-600
wget https://developer.download.nvidia.com/compute/cuda/11.7.0/local_installers/cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.deb
sudo dpkg -i cuda-repo-wsl-ubuntu-11-7-local_11.7.0-1_amd64.deb
sudo cp /var/cuda-repo-wsl-ubuntu-11-7-local/cuda-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cuda 安装好后还需要配置环境变量要配置bin和lib64的这里我的配置方法如下
首先
vim ~/.bashrc
其次
export PATH/usr/local/cuda-11/bin${PATH::${PATH}}
export LD_LIBRARY_PATH/usr/local/cuda-11/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}}
保存并退出后
source ~/.bashrc
随后检验一下用如下命令
nvcc --version
搭建cuda c编程环境并检验
要建设cuda c编程环境还要再安装个gcc编译器包(不确定不安可能也行)安装好后在工作目录新建一个test.cu。
#include stdio.h
#include cuda_runtime.h// CUDA 核函数用于向量加法
__global__ void vectorAdd(const float *A, const float *B, float *C, int numElements) {int i blockDim.x * blockIdx.x threadIdx.x;if (i numElements) {C[i] A[i] B[i];}
}int main() {// 定义向量大小int numElements 50000;size_t size numElements * sizeof(float);// 分配主机内存float *h_A (float *)malloc(size);float *h_B (float *)malloc(size);float *h_C (float *)malloc(size);// 初始化主机数据for (int i 0; i numElements; i) {h_A[i] rand() / (float)RAND_MAX;h_B[i] rand() / (float)RAND_MAX;}// 分配设备内存float *d_A, *d_B, *d_C;cudaMalloc((void **)d_A, size);cudaMalloc((void **)d_B, size);cudaMalloc((void **)d_C, size);// 将数据从主机复制到设备cudaMemcpy(d_A, h_A, size, cudaMemcpyHostToDevice);cudaMemcpy(d_B, h_B, size, cudaMemcpyHostToDevice);// 定义线程块和网格大小int threadsPerBlock 256;int blocksPerGrid (numElements threadsPerBlock - 1) / threadsPerBlock;// 启动 CUDA 核函数vectorAddblocksPerGrid, threadsPerBlock(d_A, d_B, d_C, numElements);// 将结果从设备复制回主机cudaMemcpy(h_C, d_C, size, cudaMemcpyDeviceToHost);// 验证结果for (int i 0; i numElements; i) {if (fabs(h_A[i] h_B[i] - h_C[i]) 1e-5) {fprintf(stderr, Result verification failed at element %d!\n, i);exit(EXIT_FAILURE);}}printf(Test PASSED\n);// 释放设备内存cudaFree(d_A);cudaFree(d_B);cudaFree(d_C);// 释放主机内存free(h_A);free(h_B);free(h_C);return 0;
}
然后在终端中输入如下命令
nvcc -o test test.cu
./test 结果如下上面的命令是先编译.cu文件然后再运行编译后的生成。 搭建pytorch深度学习开发环境
这里就稍微麻烦一些了首先要确保安装了anaconda,conda是专门的为Python虚拟环境的搭建而服务的安装命令如下:
wget https://repo.anaconda.com/miniconda/Miniconda3-py38_4.9.2-Linux-x86_64.sh
bash Miniconda3-py38_4.9.2-Linux-x86_64.sh
conda init随后新建python3.8的虚拟环境并启动
conda create --name myenv python3.8
conda activate myenv确保是在虚拟环境中去安装pytorch这里安装的是pytorch2.0.1具体安装的时候我犯了好几次错误实际上问ai让ai来换源是不可行的ai换的源总是有问题但是不换源又下的太慢这里的解决办法是用梯子魔法pip来安装实测发现pip安装比conda安装要快一些具体安装命令如下
Previous PyTorch Versions | PyTorch是在这个安装历史版本中找的命令。
pip install torch2.0.1 torchvision0.15.2 torchaudio2.0.2安装完成后的验证代码如下
import torchprint(torch.__version__)
print(torch.cuda.is_available())安装cudnn
cudnn是英伟达专门开发的cuda neural network库安装命令如下
wget https://developer.download.nvidia.com/compute/cudnn/9.7.0/local_installers/cudnn-local-repo-ubuntu2204-9.7.0_1.0-1_amd64.deb
sudo dpkg -i cudnn-local-repo-ubuntu2204-9.7.0_1.0-1_amd64.deb
sudo cp /var/cudnn-local-repo-ubuntu2204-9.7.0/cudnn-*-keyring.gpg /usr/share/keyrings/
sudo apt-get update
sudo apt-get -y install cudnn
cuDNN 9.7.0 Downloads | NVIDIA Developer
但是有个问题我是不太清楚我安装的是cudnn的9.7.0但是跑下面的验证代码的时候却告诉我cudnn是8.5.00
import torch# 检查 PyTorch 版本
print(torch.__version__)# 检查 CUDA 是否可用
print(torch.cuda.is_available())# 检查 cuDNN 版本
print(torch.backends.cudnn.version())# 检查当前 GPU 设备
print(torch.cuda.current_device())# 检查 GPU 名称
print(torch.cuda.get_device_name(0)) 总结
环境配置是电信技术中的集大成者我本人也不是很懂经常失败是很正常的。但是千万记得不要直接去下载国外网站大文件否则下载失败再重来会是很痛苦的。
