vs2017 + cuda10.0 +cudnn7.4 + tensorflow1.14.0+python3.5 ,標配版，真實有效

首先下載安裝cuda

1：　各類版本，須要註冊一個nvidia developer，用n卡帳號登錄進去註冊就好了，很簡單。註冊成功：

安裝過程全程默認便可。由於配置cuda的時候會有vs的要求，因此須要下載vs2017，否則cuda會報錯。

 

2：設置環境變量，**打開系統變量，安裝過程當中已經自動添加了兩條環境變量，

 

以後咱們再手動添加如下幾條：

　　CUDA_SDK_PATH = C:\ProgramData\NVIDIA Corporation\CUDA Samples\v10.0
　　CUDA_LIB_PATH = %CUDA_PATH%\lib\x64
　　CUDA_BIN_PATH = %CUDA_PATH%\bin
　　CUDA_SDK_BIN_PATH = %CUDA_SDK_PATH%\bin\win64
　　CUDA_SDK_LIB_PATH = %CUDA_SDK_PATH%\common\lib\x64

 

 

3：檢測安裝，安裝目錄下.\extras\demo_suite有deviceQuery.exe 和 bandwidthTest.exe兩個exe文件，咱們用cmd來運行檢查安裝成功與否。
在cmd界面進入cuda10的安裝文件夾，鍵入deviceQuery.exe和bandwidthTest.exe 來運行，最後Result = PASS 便可。

安裝好了以後cuda並不必定能在軟件中運行，因此還需配置vs2017。

 

配置vs2017（注意，cuda中的sample目前最高只能支持到vs2017版本，2019版本的不支持，因此強烈建議下個vs2017）：

1：創建一個空項目：

　　

2：鼠標右鍵點擊添加項：

 

3：添加新建項：輸入一個名稱：我這裏設置爲cudaMain：

 

 

4：生成依賴項：鼠標右鍵點擊生成依賴項：點擊自定義；勾選cuda10；

 

配置包含目錄和庫目錄還有連接器：鼠標點擊右鍵選擇屬性：

 

 1.x64
1.1 包含目錄配置
  2.添加包含目錄：
   $(CUDA_PATH)\include
1.2 庫目錄配置
  1.VC++目錄–>庫目錄
  2.添加庫目錄：
   $(CUDA_PATH)\lib\x64
1.3 依賴項
   連接器–>輸入–>附加依賴項
   添加庫文件：
    cublas.lib
    cuda.lib
    cudadevrt.lib
    cudart.lib
    cudart_static.lib
    nvcuvid.lib
    OpenCL.lib


備註： 配置時需注意，除了上述添加的lib文件外，x64還有其餘的lib庫文件，如cublas.lib,如運行1.6的樣例時，要添加這個庫，否則會編譯失敗。

 

#include "cuda_runtime.h"  
#include "cublas_v2.h"  

#include <time.h>  
#include <iostream>  

using namespace std;  

// 定義測試矩陣的維度  
int const M = 5;  
int const N = 10;  

int main()   
{     
    // 定義狀態變量  
    cublasStatus_t status;  

    // 在 內存 中爲將要計算的矩陣開闢空間  
    float *h_A = (float*)malloc (N*M*sizeof(float));  
    float *h_B = (float*)malloc (N*M*sizeof(float));  

    // 在 內存 中爲將要存放運算結果的矩陣開闢空間  
    float *h_C = (float*)malloc (M*M*sizeof(float));  

    // 爲待運算矩陣的元素賦予 0-10 範圍內的隨機數  
    for (int i=0; i<N*M; i++) {  
        h_A[i] = (float)(rand()%10+1);  
        h_B[i] = (float)(rand()%10+1);  

    }  

    // 打印待測試的矩陣  
    cout << "矩陣 A :" << endl;  
    for (int i=0; i<N*M; i++){  
        cout << h_A[i] << " ";  
        if ((i+1)%N == 0) cout << endl;  
    }  
    cout << endl;  
    cout << "矩陣 B :" << endl;  
    for (int i=0; i<N*M; i++){  
        cout << h_B[i] << " ";  
        if ((i+1)%M == 0) cout << endl;  
    }  
    cout << endl;  

    /* 
    ** GPU 計算矩陣相乘 
    */  

    // 建立並初始化 CUBLAS 庫對象  
    cublasHandle_t handle;  
    status = cublasCreate(&handle);  

    if (status != CUBLAS_STATUS_SUCCESS)  
    {  
        if (status == CUBLAS_STATUS_NOT_INITIALIZED) {  
            cout << "CUBLAS 對象實例化出錯" << endl;  
        }  
        getchar ();  
        return EXIT_FAILURE;  
    }  

    float *d_A, *d_B, *d_C;  
    // 在 顯存 中爲將要計算的矩陣開闢空間  
    cudaMalloc (  
        (void**)&d_A,    // 指向開闢的空間的指針  
        N*M * sizeof(float)    //　須要開闢空間的字節數  
    );  
    cudaMalloc (  
        (void**)&d_B,      
        N*M * sizeof(float)      
    );  

    // 在 顯存 中爲將要存放運算結果的矩陣開闢空間  
    cudaMalloc (  
        (void**)&d_C,  
        M*M * sizeof(float)      
    );  

    // 將矩陣數據傳遞進 顯存 中已經開闢好了的空間  
    cublasSetVector (  
        N*M,    // 要存入顯存的元素個數  
        sizeof(float),    // 每一個元素大小  
        h_A,    // 主機端起始地址  
        1,    // 連續元素之間的存儲間隔  
        d_A,    // GPU 端起始地址  
        1    // 連續元素之間的存儲間隔  
    );  
    cublasSetVector (  
        N*M,   
        sizeof(float),   
        h_B,   
        1,   
        d_B,   
        1  
    );  

    // 同步函數  
    cudaThreadSynchronize();  

    // 傳遞進矩陣相乘函數中的參數，具體含義請參考函數手冊。  
    float a=1; float b=0;  
    // 矩陣相乘。該函數必然將數組解析成列優先數組  
    cublasSgemm (  
        handle,    // blas 庫對象   
        CUBLAS_OP_T,    // 矩陣 A 屬性參數  
        CUBLAS_OP_T,    // 矩陣 B 屬性參數  
        M,    // A, C 的行數   
        M,    // B, C 的列數  
        N,    // A 的列數和 B 的行數  
        &a,    // 運算式的 α 值  
        d_A,    // A 在顯存中的地址  
        N,    // lda  
        d_B,    // B 在顯存中的地址  
        M,    // ldb  
        &b,    // 運算式的 β 值  
        d_C,    // C 在顯存中的地址(結果矩陣)  
        M    // ldc  
    );  

    // 同步函數  
    cudaThreadSynchronize();  

    // 從 顯存 中取出運算結果至 內存中去  
    cublasGetVector (  
        M*M,    //  要取出元素的個數  
        sizeof(float),    // 每一個元素大小  
        d_C,    // GPU 端起始地址  
        1,    // 連續元素之間的存儲間隔  
        h_C,    // 主機端起始地址  
        1    // 連續元素之間的存儲間隔  
    );  

    // 打印運算結果  
    cout << "計算結果的轉置 ( (A*B)的轉置 )：" << endl;  

    for (int i=0;i<M*M; i++){  
            cout << h_C[i] << " ";  
            if ((i+1)%M == 0) cout << endl;  
    }  

    // 清理掉使用過的內存  
    free (h_A);  
    free (h_B);  
    free (h_C);  
    cudaFree (d_A);  
    cudaFree (d_B);  
    cudaFree (d_C);  

    // 釋放 CUBLAS 庫對象  
    cublasDestroy (handle);  

    getchar();  

    return 0;  
}  

 

計算結果：

 

 cudnn7.4和tensorflow-gpu1.14+python3.5一塊兒給出：

 

 cudnn7.4網址：cudnn下載地址,選擇 for CUDA 10.0 那個版本，以後將bin、include、lib三個文件夾覆蓋粘貼至CUDA安裝目錄便可。

 

 

python3.5：網上找出地址，把python3.5下載好，而後安裝便可；

 

tensorflow-gpu：

1：先看看本身的pip在哪裏：

 

2：再執行  pip install tensorflow-gpu==1.14.0,便可下載對應的tensorflow版本；

因爲我這裏已經下載好了，因此就會顯示出來已下載；

建議你們能夠用清華源的pip下載，速度可不是通常的快啊；哈哈

至此，你們能夠愉快的玩耍神經網絡和深度學習了；