Как узнать версию cuda

Установка поддержки GPU в Model Builder

Узнайте, как установить драйверы GPU для использования GPU с Model Builder.

Требования к оборудованию

По крайней мере один GPU, совместимый с CUDA. Список совместимых GPU см. в руководстве компании NVIDIA.
Не менее 6 ГБ выделенной памяти GPU.

Предварительные требования

Расширение Visual Studio Для Конструктора моделей. Это расширение встроено в Visual Studio начиная с версии 16.6.1.
Убедитесь, что для GPU установлен соответствующий драйвер.

Только классификация изображений

Учетная запись разработчика NVIDIA. Если ее нет, создайте бесплатную учетную запись.
Установка зависимостей
- Установите CUDA версии 10.1. Убедитесь, что вы установили CUDA версии 10.1, а не другую более новую версию.
- Установите cuDNN v7.6.4 для CUDA 10.1. Невозможно установить несколько версий cuDNN одновременно. После загрузки ZIP-файла с cuDNN v7.6.4 и его распаковки скопируйте файл \cuda\bin\cudnn64_7.dll в папку \Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.1\bin .
Устранение неполадок

Что делать, если gpu не установлен локально?

Сценарии глубокого обучения, как правило, выполняются быстрее на GPU.

Некоторые сценарии, такие как классификация образов, поддерживают обучение на виртуальных машинах AZURE GPU.

Однако если локальные GPU или Azure не являются вариантом, эти сценарии также выполняются на ЦП. Однако обратите внимание, что время обучения значительно больше.

Как узнать, какой GPU у меня установлен?
1. Щелкните правой кнопкой мыши рабочий стол.
2. Если во всплывающем окне отображается «Панель управления NVIDIA» или «Дисплей NVIDIA», то у вас GPU производства NVIDIA.
3. Щелкните «Панель управления NVIDIA» или «Дисплей NVIDIA» во всплывающем окне.
4. Просмотрите раздел «Сведения о графической карте».
5. Там должно отображаться название вашего GPU NVIDIA.
Я не вижу панель управления NVIDIA (или ее не удается открыть), но знаю, что у меня GPU NVIDIA.
1. Откройте диспетчер устройств.
2. Просмотрите раздел «Видеоадаптеры».
3. Установите соответствующий драйвер для своего GPU.
Как узнать, какая у меня версия CUDA?
1. Откройте окно PowerShell или командной строки
2. Тип в nvcc —version
Cuda недоступен. Убедитесь, что у вас есть gpu, поддерживаемый cuda
1. Откройте приложение GeForce Experience .
2. В приложении должны отображаться установленные и доступные обновления драйверов. Если у вас возникли проблемы при просмотре обновлений, вы можете получить последние версии драйверов из https://www.nvidia.com/geforce/drivers/.
3. Установите последние версии драйверов.
Совместная работа с нами на GitHub

Источник этого содержимого можно найти на GitHub, где также можно создавать и просматривать проблемы и запросы на вытягивание. Дополнительные сведения см. в нашем руководстве для участников.

Как проверить версию CUDA в Ubuntu 20.04 Focal Fossa Linux

Цель этого руководства — показать читателю, как проверить версию CUDA в Ubuntu 20.04 Focal Fossa Linux.

В этом уроке вы узнаете:
- Как проверить версию CUDA в Ubuntu
Как проверить версию CUDA в Ubuntu 20.04 Focal Fossa Linux

Как проверить версию CUDA в Ubuntu 20.04, пошаговые инструкции

Первый способ — проверить версию компилятора Nvidia CUDA nvcc . Для этого выполните:
```
$ nvcc --version nvcc: NVIDIA (R) Cuda compiler driver Copyright (c) 2005-2019 NVIDIA Corporation Built on Wed_Oct_23_19:24:38_PDT_2019 Cuda compilation tools, release 10.2, V10.2.89 
```
```
$ nvidia-smi Wed Jan 15 11:48:58 2020 +-----------------------------------------------------------------------------+ | NVIDIA-SMI 440.44 Driver Version: 440.44 CUDA Version: 10.2 | |-------------------------------+----------------------+----------------------+ | GPU Name Persistence-M| Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap| Memory-Usage | GPU-Util Compute M. | |===============================+======================+======================| | 0 GeForce GTX 106. Off | 00000000:01:00.0 On | N/A | | 24% 35C P8 6W / 120W | 330MiB / 6077MiB | 0% Default | +-------------------------------+----------------------+----------------------+ +-----------------------------------------------------------------------------+ | Processes: GPU Memory | | GPU PID Type Process name Usage | |=============================================================================| | 0 1090 G /usr/lib/xorg/Xorg 18MiB | | 0 9782 G /usr/lib/xorg/Xorg 74MiB | | 0 10001 G /usr/bin/gnome-shell 113MiB | | 0 11724 G gnome-control-center 1MiB | +-----------------------------------------------------------------------------+
```
```
$ cat /usr/local/cuda/version.txt CUDA Version 10.2.89 
```
```
$ dpkg -l | grep cuda-toolkit ii cuda-toolkit-10-2 10.2.89-1 amd64 CUDA Toolkit 10.2 meta-package
```
TensorFlow не видит Cuda

Пользуюсь JupyterNotebook из дистрибутива Anaconda. ОС — Windows 11. CUDA v11. CUDNN v8.7. Команда nvcc -V в PowerShell работает, выводит версию CUDA.

Отслеживать
задан 30 янв 2023 в 15:01
11 3 3 бронзовых знака

А посмотрите что внутри ноутбука выдаст !set , правильный ли там PATH ? И !python -V посмотрите, та ли версия питона запускается. В общем, посмотрите окружение из самого юпитер ноутбука, всё ли там нормально.

31 янв 2023 в 6:54

1 ответ 1

Сортировка: Сброс на вариант по умолчанию

Долго мучился с похожей проблемой. Переустановил всё что можно и CUDA, и Python, и библиотеки, и разные версии всего, что только можно. В итоге на одном сайте, нашёл информацию как проверить версию установленного драйвера CUDA https://russianblogs.com/article/8204984484/. Если кратко, то в трее двойным щелчком открываете настройки Nvidia

Затем в левом нижнем углу нажимаем информация о системе

[

Переходим на вкладку Компоненты и смотрим версию драйвера CUDA

Поскольку я не так давно обновился, то отображается стоит 12.0. И видимо поэтому при установке более ранней CUDA tensorflow не запускался. После этого скачал и установил CUDA Toolkit 12.0 и tensorflow начал нормально видеть GPU.

Шпаргалка по установке CUDA, cuDNN, Tensorflow и PyTorch на Windows 10

В очередной раз после переустановки Windows осознал, что надо накатить драйвера, CUDA, cuDNN, Tensorflow/Keras для обучения нейронных сетей.

Каждый раз для меня это оказывается несложной, но времязатратной операцией: найти подходящую комбинацию Tensorflow/Keras, CUDA, cuDNN и Python несложно, но вспоминаю про эти зависимости только в тот момент, когда при импорте Tensorflow вижу, что видеокарта не обнаружена и начинаю поиск нужной страницы в документации Tensorflow.

В этот раз ситуация немного усложнилась. Помимо установки Tensorflow мне потребовалось установить PyTorch. Со своими зависимостями и поддерживаемыми версиями Python, CUDA и cuDNN.

По итогам нескольких часов экспериментов решил, что надо зафиксировать все полезные ссылки в одном посте для будущего меня.

Краткий алгоритм установки Tensorflow и PyTorch

Примечание: Установить Tensorflow и PyTorch можно в одном виртуальном окружении, но в статье этого алгоритма нет.

Подготовка к установке
1. Определить какая версия Python поддерживается Tensorflow и PyTorch (на момент написания статьи мне не удалось установить PyTorch в виртуальном окружении с Python 3.9.5)
2. Для выбранной версии Python найти подходящие версии Tensorflow и PyTorch
3. Определить, какие версии CUDA поддерживают выбранные ранее версии Tensorflow и PyTorch
4. Определить поддерживаемую версию cuDNN для Tensorflow – не все поддерживаемые CUDA версии cuDNN поддерживаются Tensorflow. Для PyTorch этой особенности не заметил
Установка CUDA и cuDNN
1. Скачиваем подходящую версию CUDA и устанавливаем. Можно установить со всеми значениями по умолчанию
2. Скачиваем cuDNN, подходящую для выбранной версии Tensorflow (п.1.2). Для скачивания cuDNN потребуется регистрация на сайте NVidia. “Установка” cuDNN заключается в распакове архива и заменой существующих файлов CUDA на файлы из архива
Устанавливаем Tensorflow
1. Создаём виртуальное окружение для Tensorflow c выбранной версией Python. Назовём его, например, py38tf
2. Переключаемся в окружение py38tf и устанавливаем поддерживаемую версию Tensorflow pip install tensorflow==x.x.x
3. Проверяем поддержку GPU командой
```
python -c "import tensorflow as tf; print('CUDA available' if tf.config.list_physical_devices('GPU') else 'CUDA not available')" 
```
Устанавливаем PyTorch
1. Создаём виртуальное окружение для PyTorch c выбранной версией Python. Назовём его, например, py38torch
2. Переключаемся в окружение py38torch и устанавливаем поддерживаемую версию PyTorch
3. Проверяем поддержку GPU командой
```
python -c "import torch; print('CUDA available' if torch.cuda.is_available() else 'CUDA not available')" 
```
В моём случае заработала комбинация:
- Python 3.8.8
- Драйвер NVidia 441.22
- CUDA 10.1
- cuDNN 7.6
- Tensorflow 2.3.0
- PyTorch 1.7.1+cu101
Tensorflow и PyTorch установлены в разных виртуальных окружениях.

Итого

Польза этой статьи будет понятна не скоро: систему переустанавливаю я не часто.

Если воспользуетесь этим алгоритмом и найдёте какие-то ошибки – пишите в комментарии
Похожие публикации: