这篇文章主要为大家展示了“windows10下如何将cuda9.2升级到cuda10.2”，内容简而易懂，条理清晰，希望能够帮助大家解决疑惑，下面让小编带领大家一起研究并学习一下“windows10下如何将cuda9.2升级到cuda10.2”这篇文章吧。

站在用户的角度思考问题，与客户深入沟通，找到苏家屯网站设计与苏家屯网站推广的解决方案，凭借多年的经验，让设计与互联网技术结合，创造个性化、用户体验好的作品，建站类型包括：成都网站设计、成都网站建设、企业官网、英文网站、手机端网站、网站推广、申请域名、虚拟空间、企业邮箱。业务覆盖苏家屯地区。

一、文章主要内容

    1、Windows10下从cuda9.2升级到cuda10.2

    2、Windows10下cudnn安装

    3、cuda9.2、cuda10.2、cudnn7.2.1、cudnn7.6.5在DeepLearning4j中性能对比

二、安装过程

    1、机器环境说明：

     CPU：i7 8700 6核12线程

     GPU：GTX 1070Ti

     内存：16G

    备注：机器中曾经安装过cuda和cudnn，版本为：cuda9.2.148、cudnn7.2.1

     

    2、安装包准备

    （1）、cuda下载

    cuda下载地址：https://developer.nvidia.com/cuda-toolkit-archive，这里下载版本为：10.2，由于dl4j最高只支持到10.2

    

    安装机器为windows10  64位，选择cuda win10的64位版本，安装模式选择local，把安装包下载到本地安装

    （2）、cuDNN下载

    下载地址：https://developer.nvidia.com/rdp/cudnn-archive，这里选择与cuda10.2匹配的最新cudnn版本：7.6.5，这里不选8.0.2的原因是dl4j-beta6不支持8.x版本。

    

    下载到的安装包如下：

    

    3、安装cuda10.2

    直接按照默认安装路径，下一步，同意并继续 -> 精简安装

    

    进入安装阶段

    

    安装结束之后，在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA目录之下，出现了v10.2的文件夹，如下图：

    

    备注：这里有个v9.2，是之前安装的cuda版本，设置环境变量，也可以切换到9.2的版本

    打开cmd控制台，输入nvcc --version命令回车，如下图所示，说明10.2版本安装成功

    

    同时用dl4j最新的example测试，验证cuad10.2是否可用，example地址：https://github.com/eclipse/deeplearning4j-examples/tree/master/mvn-project-template

   将maven依赖修改成如下配置，其中将dl4j-master.version修改为：1.0.0-beta6，加入nd4j-cuda-10.2-platform和deeplearning4j-cuda-10.2依赖

        1.0.0-beta6
        1.2.3
        1.8
        2.4.3
    


    
        
        
            org.deeplearning4j
            deeplearning4j-core
            ${dl4j-master.version}
        

        
        
        
        
        
         
            org.nd4j
            nd4j-cuda-10.2-platform
            ${dl4j-master.version}
         
       

        
        
        
         
            org.deeplearning4j
            deeplearning4j-cuda-10.2
            ${dl4j-master.version}
         
       

        
            ch.qos.logback
            logback-classic
            ${logback.version}
        
    

     Run as 一下main方法，打印日志如下， ND4J CUDA build version: 10.2.89，说明cuda10.2已经生效。

o.d.e.s.LeNetMNIST - Load data....
o.d.e.s.LeNetMNIST - Build model....
o.n.l.f.Nd4jBackend - Loaded [JCublasBackend] backend
o.n.n.NativeOpsHolder - Number of threads used for linear algebra: 32
o.n.n.Nd4jBlas - Number of threads used for OpenMP BLAS: 0
o.n.l.a.o.e.DefaultOpExecutioner - Backend used: [CUDA]; OS: [Windows 10]
o.n.l.a.o.e.DefaultOpExecutioner - Cores: [12]; Memory: [3.5GB];
o.n.l.a.o.e.DefaultOpExecutioner - Blas vendor: [CUBLAS]
o.n.l.j.JCublasBackend - ND4J CUDA build version: 10.2.89
o.n.l.j.JCublasBackend - CUDA device 0: [GeForce GTX 1070 Ti]; cc: [6.1]; Total memory: [8589934592]
o.d.n.m.MultiLayerNetwork - Starting MultiLayerNetwork with WorkspaceModes set to [training: ENABLED; inference: ENABLED], cacheMode set to [NONE]
o.d.n.l.c.ConvolutionLayer - Could not initialize CudnnConvolutionHelper
java.lang.reflect.InvocationTargetException: null
	at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
	at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:62)
	at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
	at java.lang.reflect.Constructor.newInstance(Constructor.java:423)
	at org.deeplearning4j.nn.layers.convolution.ConvolutionLayer.initializeHelper(ConvolutionLayer.java:78)
Caused by: java.lang.UnsatisfiedLinkError: no jnicudnn in java.library.path
	at java.lang.ClassLoader.loadLibrary(ClassLoader.java:1867)
	at java.lang.Runtime.loadLibrary0(Runtime.java:870)
	at java.lang.System.loadLibrary(System.java:1122)
	at org.bytedeco.javacpp.Loader.loadLibrary(Loader.java:1543)
	at org.bytedeco.javacpp.Loader.load(Loader.java:1192)

    上面的日志中，出现一个异常，cudnn无法被初始化，是因为cudnn还没有安装，接下来就可以安装cudnn了。

    4、cuDNN安装

    解压 cudnn-10.2-windows10-x64-v7.6.5.32.zip，出现下图所示的三个文件夹

    

    将这三个文件夹复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v10.2目录下即可。cudnn的文件便加入到了cuda安装目录下

    

    再次运行测试程序，异常消失，且CudnnSubsamplingHelper和CudnnConvolutionHelper初始化成功

o.d.e.s.LeNetMNIST - Load data....
o.d.e.s.LeNetMNIST - Build model....
o.n.l.f.Nd4jBackend - Loaded [JCublasBackend] backend
o.n.n.NativeOpsHolder - Number of threads used for linear algebra: 32
o.n.n.Nd4jBlas - Number of threads used for OpenMP BLAS: 0
o.n.l.a.o.e.DefaultOpExecutioner - Backend used: [CUDA]; OS: [Windows 10]
o.n.l.a.o.e.DefaultOpExecutioner - Cores: [12]; Memory: [3.5GB];
o.n.l.a.o.e.DefaultOpExecutioner - Blas vendor: [CUBLAS]
o.n.l.j.JCublasBackend - ND4J CUDA build version: 10.2.89
o.n.l.j.JCublasBackend - CUDA device 0: [GeForce GTX 1070 Ti]; cc: [6.1]; Total memory: [8589934592]
o.d.n.m.MultiLayerNetwork - Starting MultiLayerNetwork with WorkspaceModes set to [training: ENABLED; inference: ENABLED], cacheMode set to [NONE]
o.d.n.l.c.ConvolutionLayer - CudnnConvolutionHelper successfully initialized
o.n.j.h.i.CudaZeroHandler - Creating bucketID: 5
o.d.n.l.c.s.SubsamplingLayer - CudnnSubsamplingHelper successfully initialized
o.d.n.l.c.ConvolutionLayer - CudnnConvolutionHelper successfully initialized
o.d.n.l.c.s.SubsamplingLayer - CudnnSubsamplingHelper successfully initialized

    至此，cuda10.2和cudnn7.6.5安装成功，且可以dl4j beta6可以正常运行。

三、性能对比

    测试程序地址：https://github.com/eclipse/deeplearning4j-examples/tree/master/mvn-project-template，网络结构为LeNet

    环境说明：

       操作系统：Windows10

       CPU：i7 8700   3.2GHz   6核12线程

       GPU：GTX 1070Ti

       内存：16G

       dl4j：beta6

     对比结果：

运行环境	耗时（ms）
CPU	26566
cuda9.2	20725
cuda9.2+cudnn7.2.1	12575
cuda10.2	19953
cuda10.2+cudnn7.6.5	12574

     结果说明：

     1、cuda9.2和cuda10.2运行结果相差不大

     2、cuda9.2+cudnn7.2.1 和  cuda10.2+cudnn7.6.5运行结果也相差不大

     3、cudnn运行效率有显著提升

     4、GPU配合cudnn比CPU效率提升2倍

   特殊说明：dl4j基于cudnn对如下结构进行了优化，如下图所示：

    

以上是“windows10下如何将cuda9.2升级到cuda10.2”这篇文章的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注创新互联行业资讯频道！

本文名称：windows10下如何将cuda9.2升级到cuda10.2
路径分享：http://cdweb.net/article/jecegs.html