cuda 计算力查看

Posted 2023-03-23

参考技术A 原文链接： https://www.cnblogs.com/wmr95/articles/8846749.html

序号名称值解释

1Detected 1 CUDA Capable device(s)1检测到1个可用的NVIDIA显卡设备

2Device 0: "GeForce 930M"GeForce 930M当前显卡型号为" GeForce 930M "

3CUDA Driver Version / Runtime Version7.5/7.5CUDA驱动版本

4 CUDA Capability Major/Minor version number 5.0CUDA设备支持的计算架构版本，即计算能力，该值越大越好

5 Total amount of global memory 4096MbytesGlobal memory全局存储器的大小。使用CUDA RUNTIME API调用函数cudaMalloc后，会消耗GPU设备上的存储空间，合理分配和释放空间避免程序出现crash

6 (3) Multiprocessors, (128) CUDA Cores/MP 384 CUDA Cores3个流多处理器（即SM），每个多处理器中包含128个流处理器，共384个CUDA核

7GPU Max Clock rate941 MHzGPU最大频率

8Memory Clock rate900 MHz显存的频率

9Memory Bus Width64-bit

10L2 Cache Size1048576 bytes

11Maximum Texture Dimension Size (x, y, z)1D=(65535)

2D=(65535, 65535)

3D=(4096,4096,4096)

12Maximum Layered 1D Texture Size, (num) layers1D=(16384),2048 layers

13Maximum Layered 2D Texture Size, (num) layers2D=(16384,16384), 2048 layers

14 Total amount of constant memory 65535 bytes常量存储器的大小

15 Total amount of shared memory per block 49152 bytes共享存储器的大小，共享存储器速度比全局存储器快；多处理器上的所有线程块可以同时共享这些存储器

16Total number of registers available per block65535

17 Warp Size 32Warp，线程束，是SM运行的最基本单位，一个线程束含有32个线程

18 Maximum number of threads per multiprocessor 2048一个SM中最多有2048个线程，即一个SM中可以有2048/32=64个线程束Warp

19 Maximum number of threads per block 1024一个线程块最多可用的线程数目

20 Max dimension size of a thread block (x, y, z) (1024,1024,64)ThreadIdx.x<=1024,

ThreadIdx.y<=1024,

ThreadIdx.z<=64

Block内三维中各维度的最大值

21 Max dimension size of a grid size  (x, y, z)(2147483647,65535,65535)Grid内三维中各维度的最大值

22Maximum memory Pitch2147483647 bytes显存访问时对齐时的pitch的最大值

23Texture alignment512 bytes纹理单元访问时对其参数的最大值

24Concurrent copy and kernel executionYes with 1 copy engine(s)

25Run time limit on kernelsYes

26Integrated GPU sharing Host MemoryNo

27Support host page-locked memory mappingYes

28Alignment requirement for SurfacesYes

29Device has ECC supportDisabled

30其他 

Pytorch+CUDA安装方法步骤

首先我们要确定本机是否有独立显卡，在右键点击开始按钮—设备管理器-显示适配器中，查看是否有独立显卡。

可以看到本机有一个集成显卡和独立显卡NVIDIA GetForce GTX 1050
查询显卡是否支持安装CUDA


可以看到我本机的独立显卡是支持CUDA安装的，计算力是6.1。
查看自己独立显卡：
按住WIN+R键在搜索栏找到NOVIDIA control panel。选择左下角的系统信息->显示：

组件：

或者命令行输入：

nvidia-smi

可以看到Driver-Version：456.71，CUDA Version:11.1
注意：
因此安装的CUDA toolkit版本不可超过11.1；Driver-Version不超过456.71。

2、CUDA下载

点进去，按照如下配置选择，然后点击下载：

下载好为如下exe文件

cuda安装
双击“exe文件”，选择下载路径（推荐默认路径）




建议自定义安装

如果是第一次安装，尽量全选；如果是第n次安装，尽量只选择第一个，否则可能会出现错误

注意VS: 如果本机的驱动版本(当前版本)小于cuda对应的版本（新版本），则选择，否则不选。如果当前版本小于新版本，并且不覆盖安装，之后电脑会频繁蓝屏或死机

记住安装位置，tensorflow要求配置环境。


系统变量的三四行有两个路径，是自动生成的


在系统变量中添加：

如果出现字节太长报错，可以利用上面自动生成的路径：
如：

%CUDA_PATH%\\lib\\x64

验证安装：

nvcc --version
#或者
nvcc -V
set cuda

下载同一版本的cudnn
cuDNN地址如下，不过要注意的是，我们需要注册一个账号，才可以进入到下载界面。大家可以放心注册的。
https://developer.nvidia.com/rdp/cudnn-download
可以使用下面网址，查看适配的 cuDNN
cuDNN Archive | NVIDIA Developer
选择跟自己的cuda版本适配的cudnn版本

下载结果是一个压缩包

解压后的文件：

下载后发现其实cudnn不是一个exe文件，而是一个压缩包，解压后，有三个文件夹，把三个文件夹拷贝到cuda的安装目录下。

CUDA 的安装路径在前面截图中有，或者打开电脑的环境变量查看，默认的安装路径如下：

C:\\Program Files\\NVIDIA GPU Computing Toolkit\\CUDA\\v11.0

验证安装是否成功

配置完成后，我们可以验证是否配置成功，主要使用CUDA内置的deviceQuery.exe 和 bandwithTest.exe：

首先win+R启动cmd，cd到安装目录下的 …\\extras\\demo_suite,然后分别执行bandwidthTest.exe和deviceQuery.exe,应该得到下图:


Pytorch安装
建议打开网址：打开网址：https://download.pytorch.org/whl/torch_stable.html，找对应的.whl文件安装，而非pytorch官网通过命令安装：

每个文件命名都是有规律的：

使用快捷键Ctrl+F，搜索我们需要安装的版本文件下载

验证安装：
命令行中依次输入：

python
import torch
print(torch.__version__)
print(torch.cuda.is_available())

如果出现以下界面：则说明安装成功。

如果是fulse则要考虑安装版本的问题，
考虑到首选处理器可能是自动，可以修改首选图形处理器为以下形式：