转载 一篇
背景
开发过程中需要用到GPU时，通常在安装配置GPU的环境过程中遇到问题；CUDA Toolkit和CUDNN版本的对应关系；CUDA和电脑显卡驱动的版本的对应关系；CUDA Toolkit、CUDNN、NCVV是什么呢？
举个例子
安装TensorFlow2.1过程中，想要使用到电脑的显卡来进行开发，但是发现默认需要CUDATOOLKIT=10.1，CUDNN=7.6，安装好后发现无法正常使用GPU来运行程序；发现CUDATOOLKIT和我们电脑显卡驱动的版本不支持。
备注：本文中介绍的内容是基于NVIDAI的显卡。
认识一下几个概念
GPU（显卡）
显卡是我们平时说的GPU，现在大多数的电脑使用NVIDIA公司生产的显卡；常见的型号有GTX950M，GTX1050TI，GTX1080等
CUDA Driver
这个是我们常说的显卡驱动，比如电脑显卡型号是GTX950M，显卡驱动的版本：445.87；
CUDA
是显卡厂商NVIDIA推出的运算平台。CUDA是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题。CUDA英文全称是Compute Unified Device Architecture。
有人说CUDA是一门编程语言，像C,C++,python 一样，也有人说CUDA是API。
官方说：CUDA是一个并行计算平台和编程模型，能够使得使用GPU进行通用计算变得简单和优雅。
运行CUDA应用程序要求系统至少具有一个具有CUDA功能的GPU和与CUDA Toolkit兼容的驱动程序。
CUDA Toolkit
CUDA工具包的主要包含了CUDA-C和CUDA-C++编译器、一些科学库和实用程序库、CUDA和library API的代码示例、和一些CUDA开发工具。（通常在安装CUDA Toolkit的时候会默认安装CUDA Driver；但是我们经常只安装CUDA Driver，没有安装CUDA Toolkit，因为有时不一定用到CUDA Toolkit；比如我们的笔记本电脑，安装个CUDA Driver就可正常看视频、办公和玩游戏了）
详细内容可以到NVIDIA官方看看：CUDA 12.1 Release Notes
NVCC
其实就是CUDA的编译器,可以从CUDA Toolkit的/bin目录中获取,类似于gcc就是c语言的编译器。
CUDNN
是用于深度神经网络的GPU加速库；它强调性能、易用性和低内存开销。可以集成到高级别的机器学习框架中，如谷歌的Tensorflow、加州大学伯克利分校的流行caffe软件。
CUDNN是基于CUDA的深度学习GPU加速库，有了它才能在GPU上完成深度学习的计算；
CUDA这个平台一开始并没有安装CUDNN库，当开发者们需要用到深度学习GPU加速时才安装CUDNN库，工作速度相较CPU快很多
CUDA Driver和CUDA Toolkit的对应版本
每个版本的CUDA Toolkit 都对应一个最低版本的CUDA Driver，也就是说如果我们安装的CUDA Driver版本比官方推荐的还低，那么很可能会无法正常运行。
我们安装的CUDA Driver即显卡驱动版本，可以高于CUDA Toolkit 指定的版本，是能正常使用的。
比如：在安装TensorFlow2.1过程中，需要安装CUDATOOLKIT=10.1，
那么我们在windows中的显卡驱动版本应该大于等于418.96；在Linux中的显卡驱动版本应该大于等于418.39。
所以电脑中的GTX950显卡，安装了445.87版本的显卡驱动（445.87>=418.39），是能安装CUDATOOLKIT=10.1的。
CUDNN和CUDA Toolkit的对应版本
CUDNN和CUDA Toolkit两种之间的版本需要相互支持，下面图中是部分的对应关系：
从下图中我们可以知道，如果目前电脑中安装了CUDATOOLKIT=10.1，那么CUDNN的可选版本为7.6.4、7.6.3、7.6.2
比如：需要安装TensorFlow2.1（使用GPU），要求我们只能安装CUDATOOLKIT=10.1，那么我们就从7.6.4、7.6.3、7.6.2这三个版本中，选择一个最新的7.6.4版本来安装CUDNN。
从下图中我们可以知道，如果目前电脑中安装了CUDATOOLKIT=8.0，那么CUDNN的可选版本为7.1.4、7.1.3、7.0.5、6.0、5.1
比如，TensorFlow1.4（GPU版）中需要CUDNN=6.0；同时又符合CUDATOOLKIT=8.0的要求；于是就安装CUDNN=6.0啦。
具体对应版本建议大家到官网查下：cuDNN Archive | NVIDIA Developer
版权归原作者 清都散闲客 所有， 如有侵权，请联系我们删除。