1200字范文 > tensorflow 各个版本的 CUDA 以及 Cudnn 版本对应关系

tensorflow 各个版本的 CUDA 以及 Cudnn 版本对应关系

时间：2021-03-14 18:38:21

本文由简悦 SimpRead 转码，原文地址

tensorflow 各个版本的 CUDA 以及 Cudnn 版本对应关系

一、tensorflow 各个版本需要的 CUDA 版本以及 Cudnn 的对应关系二、CUDA 与相对应的 Cudnn 对应关系三、NVIDIA 显卡以及对应的显卡驱动的对应关系

概述，需要注意以下几个问题：

（1）NVIDIA 的显卡驱动程序和 CUDA 完全是两个不同的概念哦！CUDA 是 NVIDIA 推出的用于自家 GPU 的并行计算框架，也就是说 CUDA 只能在 NVIDIA 的 GPU 上运行，而且只有当要解决的计算问题是可以大量并行计算的时候才能发挥 CUDA 的作用。

CUDA 的本质是一个工具包（ToolKit）；但是二者虽然不一样的。

显卡驱动的安装：

当我们使用一台电脑的时候默认的已经安装了 NVIDIA 的显卡驱动，因为没有显卡驱动根本用不了显卡嘛，但是这个时候我们是没有 CUDA 可以用的，我们可以更新我们的驱动，更新链接为：

/Download/index.aspx?lang=en-us

在这个里面可以根据自己的显卡类型选择最新的驱动程序。显卡驱动程序当前大小大概 500 多 M。

CUDA ToolKit 的安装：

CUDA 的下载地址为：/cuda-downloads

我们可以选择两种安装方式，一种是在线安装（我还没用过），一中离线安装（我采用的）即本地安装，

当我们选择离线安装，当我们选定相对应的版本之后，下载的时候发现这个地方的文件大小大概在 2G 左右，Linux 系统下面我们选择 runfile(local) 完整安装包从本地安装，或者是选择 windows 的本地安装。CUDA Toolkit 本地安装包时内含特定版本 Nvidia 显卡驱动的，所以只选择下载 CUDA Toolkit 就足够了，如果想安装其他版本的显卡驱动就下载相应版本即可。

所以，NVIDIA 显卡驱动和 CUDA 工具包本身是不具有捆绑关系的，也不是一一对应的关系，只不过是离线安装的 CUDA 工具包会默认携带与之匹配的最新的驱动程序。

注意事项:NVIDIA 的显卡驱动器与 CUDA并不是一一对应的哦，CUDA 本质上只是一个工具包而已，所以我可以在同一个设备上安装很多个不同版本的 CUDA 工具包，比如我的电脑上同事安装了 CUDA 9.0、CUDA 9.2、CUDA 10.0 三个版本。一般情况下，我只需要安装最新版本的显卡驱动，然后根据自己的选择选择不同 CUDA 工具包就可以了，但是由于使用离线的 CUDA 总是会捆绑 CUDA 和驱动程序，所以在使用多个 CUDA 的时候就不要选择离线安装的 CUDA 了，否则每次都会安装不同的显卡驱动，这不太好，我们直接安装一个最新版的显卡驱动，然后在线安装不同版本的 CUDA 即可。

总结：CUDA 和显卡驱动是没有一一对应的。

（2）cuDNN 是一个 SDK，是一个专门用于神经网络的加速包，注意，它跟我们的 CUDA 没有一一对应的关系，即每一个版本的 CUDA 可能有好几个版本的 cuDNN 与之对应，但一般有一个最新版本的 cuDNN 版本与 CUDA 对应更好。

总结：cuDNN 与 CUDA 没有一一对应的关系

（3）CUDA 工具包附带的 CUPTI。

CUPTI，即 CUDA Profiling Tools Interface (CUPTI)。在 CUDA 分析工具接口（CUPTI）能够分析和跟踪靶向 CUDA 应用程序的工具的创建。CUPTI 提供以下 API：

Activity API，

Callback API，

事件 API，

Metric API，和

Profiler API。

使用这些 API，您可以开发分析工具，深入了解 CUDA 应用程序的 CPU 和 GPU 行为。CUPTI 作为 CUDA 支持的所有平台上的动态库提供。请参阅 CUPTI 文档。

一、tensorflow 各个版本需要的 CUDA 版本以及 Cudnn 的对应关系

1.1 对应表格

相应的网址为：

/install/source#common_installation_problems

/install/source_windows

现在 NVIDIA 的显卡驱动程序已经更新到 10.1 版本，最新的支持 CUDA 10.1 版本的 cuDNN 为 7.5.0

1.2 CUDA 的命名规则

下面以几个例子来说

（1）CUDA 9.2

CUDA 9.2.148

（2）CUDA 10.0

CUDA 10.0.130.411.31（后面的 411.31 对应更具体的版本号）

（3）CUDA 10.1

CUDA 10.1.105.418.96（后面的 418.96 对应更具体的版本号）

更多详细的请参考如下官网：

/cuda-toolkit-archive

1.3 如何查看自己所安装的 CUDA 的版本：

（1）直接在 NVIDIA 的控制面板里面查看 NVCUDA.DLL 的版本。

注意：这里网上有很多说法是错误的，这个版本并不能绝对说明自己所安装的 CUDA 工具包一定这个版本

（2）通过命令查看：nvcc -V 或者是 nvcc --version 都可以，但前提是添加了环境变量

（3）直接通过文件查看，这里分为 Linux 和 windows 两种情况

在 windows 平台下，可以直接进入 CUDA 的安装目录，比如我的是：

C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2 里面有一个 version.txt 的文本文件，直接打开即可，也可以使用命令，即

首先进入到安装目录，然后执行：type version.txt 即可查看

在 Linux 平台下：

同 windows 类似，进入到安装目录，然后执行 cat version.txt 命令

1.4 如何查看自己的 cuDNN 的版本

因为 cuDNN 本质上就是一个 C 语言的 H 头文件，

（1）在 windows 平台下：

直接进入安装目录：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.2\include 之下，然后找到

cudnn.h 的头文件，直接到开查看，在最开始的部分会有如下定义：

#define CUDNN_MAJOR 7#define CUDNN_MINOR 5#define CUDNN_PATCHLEVEL 0#define CUDNN_VERSION (CUDNN_MAJOR * 1000 + CUDNN_MINOR * 100 + CUDNN_PATCHLEVEL)

即 7500，也就是 cudnn 的版本为 7.5.0 版本；

（2）在 Linux 下当然也可以直接查看，但是通过命令更简单，进入到安装目录，执行如下命令：

cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2 即可查询

即 5005，即 5.0.5 版本的 cudnn。