将下面内容保存为install.bash，直接用shell执行一把梭解决#!/bin/bash###steps#####verifythesystemhasacuda-capablegpu#downloadandinstallthenvidiacudatoolkitandcudnn#setupenvironmentalvariables#verifytheinstallation######toverify

  训练模型出现报错cuDNNerror: CUDNN_STATUS_NOT_SUPPORTED.Thiserrormayappearifyoupassedinanon-contiguousinput.1.尝试了对可能的tensor添加.contiguous()函数，不能解决问题，排除。2.尝试将batch_size=12减小到10，不再报错，但实验要求不能减小batch_s

背景这两天接手了一个在两年前基于caffe实现的交互式活体检测的项目，想要让他在python3和CUDA11的环境下运行。但是呢，caffe已经官方宣布不再继续更新，不支持最新版的cuDNN8，那需求摆在这边只好自行想办法，前前后后倒腾了两天，可算是编译成功把项目跑通了，在此记录一下自己配置辛酸史。

//安装cudawgethttps://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-wsl-ubuntu.pinsudomvcuda-wsl-ubuntu.pin/etc/apt/preferences.d/cuda-repository-pin-600wgethttps://developer.download.nvidia.com/compute/cuda/12.4.1/local_ins

1.cuda安装https://blog.csdn.net/gwplovekimi/article/details/136348402https://www.cnblogs.com/mrneojeep/p/17390353.html2.cudnn安装https://www.cnblogs.com/mrneojeep/p/17390353.html3.cuda、cudnn卸载https://blog.csdn.net/Williamcsj/article/details/123514435

0背景在用不同框架做深度学习时，难免会遇到需要不同版本的cuda和cudnn版本的情况，如果把原来版本的卸载掉重新安装新版本，则会影响其它框架的使用，最好的方法是在主机上安装多个版本的cuda和cudnn，需要用到哪种就切换到哪种，这样就免去了重复卸载安装的工作。cuda：由NVIDIA推出的通用

kaggle里面导入pytorch_lightning时发出的警告信息复现代码（其余是2024年3月下旬kaggle的默认环境）：!pipinstall-Ueinops==0.7.0sacred==0.8.5pytorch_lightning==1.1.4torchtext==0.6.0pyarrow==15.0.0importpytorch_lightning结果（发出警告信息）：2024-04-0812:59:19.0

下载CUDA打开链接（https://developer.nvidia.com/cuda-toolkit-archive）选择 12.1.1 版本 选择Windows->x86_64->10->exe(local)->Download  下载完成后按提示安装到默认路径 下载cudnn点击进入nVidia下载cudnn（https://developer.download.nvidia.com/co

在学习深度学习的过程中，针对于不同的网络模型，常常需要配置与之对应的代码环境，结合互联网和师门同学的经验，这里给出了我自己最顺手的环境配置方法。参考环境配置python3.8 cuda11.3.1 cudnn8.2.1 torch1.12.0torchvision0.13.0操作步骤注：以下操作均在Anaco

lspci|grep-invidia查看nvidia设备，看到GPUgcc--version检查是否安装上gcc软件包根据官方文档指示，pipinstalltorch==1.13.1+cu117-fhttps://download.pytorch.org/whl/torch_stable.html，pipinstalltorchaudio==0.13.1+cu117-fhttps://download.pytorch.org/whl/torch

硬件环境cpui5-13600k内存64G显卡rtx3090软件环境window11专业版22H2n卡驱动：526.47wsl2ubuntu22.04安装nvidia-cuda-toolkit打开wsl2的ubuntu，安装nvidia驱动程序sudoaptupdatesudoaptupgradesudoubuntu-driversdevicessudoaptinstallnvidia-driver-

CUDA提供通用并行计算平台和编程模型，CUDNN是针对深度学习应用进行优化后的GPU加速库。安装CUDA查看显卡型号和驱动版本（DriverVersion）打开cmd，输入nvidia-smi主要是确认CUDAVersion的版本，这里是12.4，意味着我可以安装12.4及以下任何版本的CUDA下载CUDACUDAToolkitArchive

注：笔记本电脑-显卡RTX4060-CUDA11.8-cuDNN8.9.7 1：显卡驱动已经安装驱动的，以此卸载已下载驱动sudoapt-getremove--purgenvidia-* 新机器直接进行以下#查看驱动列表sudoaptinstallaptitudesudoaptitudesearchnvidia-driver-*显卡驱动一般选择最新

创建环境进入环境nvidia-smi查看cuda版本，根据cuda版本安装对应版本的pytorch，在pytorch官网可以查看，版本不合适可以使用较低版本cuda的torch，使用官网提供的命令行安装即可，importtorch``print(torch.cuda.is_available())验证安装结果。tensorflow的安装要在环境中安装cudatoolki

 1、cudnn的简介cuDNN（CUDADeepNeuralNetworklibrary）：是NVIDIA打造的针对深度神经网络的加速库，是一个用于深层神经网络的GPU加速库。如果你要用GPU训练模型，cuDNN不是必须的，但是一般会采用这个加速库。2、torch.backends.cudnn的理解 cuDNN使用非确定性算法，并且可以使用to

详解cudnn.h:Nosuchfileordirectory当我们在使用CUDA进行GPU编程时，有时可能会遇到以下错误信息：cudnn.h:Nosuchfileordirectory。本文将详细介绍这个错误的原因以及如何解决这个问题。错误原因该错误表明编译器无法找到cudnn.h文件，即CUDA深度神经网络库(cuDNN)的头文件。c

在前面的文章（几年前的文章）中我们介绍了在anaconda中安装cuda、cudnn后，有介绍了如何在anaconda中安装nvcc、nccl等NVIDIA的各种编译器和库，本文介绍如何在anaconda中安装NVIDIA的各种编译器和library库的头文件。由于使用anaconda安装pytorch、TensorFlow、jax、mindspore比较方便，

https://blog.csdn.net/qq_49323609/article/details/130310522isverygood  1,firstcheckdrivernvidia-smiifnocontent,showinstalldriverfirst twoways:oneis:useapt-getlike:https://blog.csdn.net/zxdd2018/article/details/127705627ubuntu-d

最终安装内容：windows10+3060显卡+tensorflow-gpu2.10.0+CUDA11.2+cuDNN8.1 1.命令行输入nvidia-smi，查看显卡对应的cuda版本。如下图，CUDAVersion为12.1，则安装的CUDA版本不能高于12.1。 2.Nvidia官网查看tensorflow-gpu和CUDA的版本对应关系。注意：语言一定要切

报名九天杯白嫖了不少算力，挺好的，但是今天在服务器用tensorflow的时候报错"tensorflow调用gpu出错Couldnotloaddynamiclibrary‘libcudnn.so.8‘"大概是cudnn没有配置好的原因使用condainstall-canacondacudnn装一下cudnn解决了问题

从源代码构建 | TensorFlow(google.cn)

【背景】前段时间要做一个python语音识别模型，需要tf进行训练，考虑到有GPU就不用限制在CPU上了，所以尝试配置Tensorflow.系统配置为：RTX4060+win11+Anaconda3，使用python3.10配置完成。【补充建议：使用虚拟环境进行版本管理，我用anaconda创建了一个名为tf2，python=3.10的虚拟环境】

参考:http://t.csdnimg.cn/crHL1检查下CUDA是否安装成功。打开cmd，输入以下命令查看CUDA是否安装成功（二选一）如果不能显示以下信息，则说明安装失败。nvcc-Vnvcc--version 还可以查看CUDA设置的环境变量。 我们还可以搜索CUDA的安装目录，找到“nvcc.exe”文件。cuDNN神

torch.manual_seed(seed)os.environ['PYTHONHASHSEED']=str(seed)torch.cuda.manual_seed(seed)torch.cuda.manual_seed_all(seed)np.random.seed(seed)random.seed(seed)torch.backends.cudnn.benchmark=Falsetorch.backends.cudnn.deter

为了方便多个深度学习框架的环境配置，推荐使用anoconda进行搭建。1.anaconda/miniconda下载地址anacoonda官方下载地址：FreeDownload|Anacondaminiconda官方下载地址： LatestMinicondainstallerlinksbyPythonversion—minicondadocumentation清华镜像源的下载地