WindowsServer2019安装Nvidia驱动+CUDA+CUDNN等深度学习环境

Posted 2021-06-18 MarToony|名角

内容概要：
1 windowsServer中与windows10对于驱动等软件的安装过程一致；
2 windowsserver因为其本身的较强的安全策略影响，如果要在服务器上安装软件，需要在服务器管理器中禁用相关的安全策略。如此从IE等浏览器中可以下载软件，比如谷歌浏览器的下载等。
3 一个可行的软件配置组合：- Tesla T4 - windows Server 2019 - CUDA 11.0，主要参考与tensorflow的版本匹配而确定的。- Cudnn 8.05- VS 2017 pro- Anaconda个人版- pycharm社区版

一 服务器安全策略的禁用

windowsserver因为其本身的较强的安全策略影响，如果要在服务器上安装软件，需要在服务器管理器中禁用相关的安全策略。如此从IE等浏览器中可以下载软件，比如谷歌浏览器的下载等。

左边的“IE增强的安全配置”点击后出现对话框：

将管理员和用户的选择全部设置为“关闭”即可。

二 Nvidia相关软件的安装（四个软件一个环境变量）

主要参考文献：https://blog.csdn.net/kefnbsow/article/details/102720844
次要参考文献：这里的软件安装与windows10等系统的安装方式一致；同时，关于nvidia等软件的下载网址以及cuda和pytorch、tensorflow的版本匹配问题的讨论，详情参考我的另一篇文章：https://blog.csdn.net/m0_38052500/article/details/116051579

我这里的基本配置信息是：

• Tesla T4
• windows Server 2019
• CUDA 11.0，主要参考与tensorflow的版本匹配而确定的。
• Cudnn 8.05
• VS 2017 pro
• Anaconda个人版
• pycharm社区版

1 Nvidia Driver

1. 简介
   
2. 安装方式：双击；在安装驱动过程中，会提示 VS 未安装，可先跳过，VS 安装的具体介绍见下文。

2 Nvidia Cuda

1. 简介：
   上面已经介绍过了，就是采用cuda11.0；
2. 安装方式：双击，安装路径一般位置是：C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.0

3 Nvidia Cudnn

1. 简介
   解压cudnn后，将cudnn中得三个文件夹对应地复制到上述的cuda的安装路径下，同时因为cuda原文件中不会存在cudnn中的文件，所以复制过程中不会也不该出现有同名文件的存在；
   对应关系比如：
   （1）把 cudnn 解压包下的：cuda\\bin 复制到：cuda安装目录\\bin
   （2）把 cudnn 解压包下的：cuda\\include 复制到：cuda安装目录\\include
   （3）把 cudnn 解压包下的：cuda\\lib\\x64 复制到：cuda安装目录\\lib\\x64

2. 配置环境变量
   将C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.0\\bin，即你安装后的bin路径添加到环境变量，输入nvcc -V检测安装情况，安装成功如下所示 ：
   

4 VisualStudio 2017 pro

1. VS2019（目前的最新版本）是否可用不太清楚，之所以说这个是因为最新版本的VS可能与当前的一些编程框架或者软件的版本有匹配冲突问题，具体的，笔者不清。但是VS2017经过笔者测试是没有问题的；重点还是在于尝试，实践出真知！
2. VS2017安装的时候，如果只是为了搭建基础的深度学习环境，是不需要额外安装安装界面内罗列出的“工作负载和组件”等内容的。安装完成后，即使下载的是专业版本，也不需要激活便可使用。

三 深度学习编程软件的安装（两个软件三个环境变量）

1 Anaconda

1. 选择官网的个人版本下载即可。不需要社区版或者更高版本；
2. 配置环境变量，路径大致如下所示：
   （1）C:\\Anaconda3
   （2）C:\\Anaconda3\\Scripts
   （3）C:\\Anaconda3\\Library\\bin

2 Pycharm

1. 选择社区版即可满足使用需求；
2. 创建项目时，习惯上基于conda创建虚拟环境，而项目基于该虚拟环境；

四 服务器使用感悟

1 发现目前的服务器显卡计算能力强于GTX1650；但是CPU的计算能力弱。具体而言，是通过数据预处理和模型训练两部分的时间来体现的。

个人笔记本电脑的配置是：CPUi7第九代；GPU GTX1650 800多核心数；
服务器配置：CPU 不清楚；GPU :Tesla T4 2560核心数。比RTX2070的2176核心数多一些；

2 服务器学习的意义

1. 满足生产需要；