CUDA cuDNN和pytorch(GPU版)的完整安装教程

* 说明: 本教程使用wsl-ubuntu20.04, 其他发行版linux的命令可能有所区别.
*实测机型: i5-13500HX | RTX 4060 Laptop

一、下载CUDA12.X版本

这里以下载CUDA12.2为例。

前往cuda-12.2下载页, 按照如图方式选择合适的选项：
按照官方给出的命令，在bash中依此执行：

wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install cuda

添加环境变量
使用vim等打开~/.bashrc,在末尾添加:

export PATH=/usr/local/cuda-12.2/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.2/lib64:$LD_LIBRARY_PATH

验证安装是否成功

source ~/.bashrc
nvcc -V  # 查看CUDA版本

二、下载cuDNN

前往cuDNN Archive 下载合适的cudnn版本。由于我们下载的是CUDA12.X版本，这里我们就选择下载8.9.7版本的cudnn.

点击后浏览器会接管下载, 可以通过如图方式复制下载链接.
安装cudnn软件包

我们在终端中输入以下命令:

wget -O cudnn.deb <你的下载链接>  # 下载的文件会命名为cudnn.deb
dpkg -i cudnn.deb  # 安装前置软件包
sudo apt update # 更新并获取cudnn的下载源
sudo apt-get install libcudnn8 # 正式安装cudnn软件包
sudo apt-get install libcudnn8-dev # 安装cudnn开发库(可选)

完成上述工作后,可通过下述命令检测是否安装成功:

ls /usr/lib/x86_64-linux-gnu/libcudnn*
ls /usr/include/cudnn.h
dpkg -l | grep -i cudnn

三、安装GPU版的pytorch

Pytorch下载地址
Pytorch包含三个库：torch，torchvision和torchaudio；根据社区的说明，torch-cu118版本能够兼容CUDA12.X，可通过该命令进行安装：

pip3 install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118

* 官方更新后通过pip默认下载的就是支持CUDA12.1的pytorch, 命令如下:

pip3 install torch torchvision torchaudio

注: 本教程安装的是cu118版本, 读者可尝试第二种方法进行安装。

四、验证pytorch的CUDA可用性

先确定pytorch有没有装错，可以在终端输入pip list,查看torch版本,cu后缀就表示支持GPU。
在python中执行torch.cuda.is_available() 返回True说明使用的就是GPU版本。

五、体验Pytorch GPU和CPU运算的速度差距

import torch
from time import perf_counterdef cpu_process():x = torch.rand(1000,10000)y = torch.rand(10000,10000)start = perf_counter()x.mm(y)end = perf_counter()print('CPU process time:',end-start)def gpu_process():x = torch.rand(1000,10000).cuda()y = torch.rand(10000,10000).cuda()start = perf_counter()x.mm(y)end = perf_counter()print('GPU process time:',end-start)if __name__ == '__main__':cpu_process()  # CPU process time: 0.5139300849996289gpu_process()  # GPU process time: 0.02356865599995217

可以明显看到GPU运算速度相比CPU快了20倍左右 !