在Windows中安装Paddle全流程详解
前言
在Windows中安装paddle需要先去百度飞桨官网了解安装流程，根据官方发布的版本，主要可以分为CPU版本，和GPU版本，CPU版本安装比较容易，不怎么会产生错误；GPU版本则会因为系统问题、GPU型号问题、CUDA、cuDNN版本问题出现各种问题，我也是在安装过程中遇到了各种奇葩问题，然后才成功安装了GPU版本，在此记录一下整个过程中遇到的问题和解决方案，当然主要还是依靠网络上各位先辈们的分享，才解决了各种问题。
需要下载的安装包有
一、CUDA简介
- CUDA（Compute Unified Device Architecture）是由NVIDIA开发的并行计算平台和编程模型。
它利用了NVIDIA的GPU（图形处理器）来加速计算任务，使得许多复杂的计算任务可以在GPU上并行处理，从而提高计算性能。- CUDA最初是为了加速图形渲染而开发的，但随着时间的推移，它逐渐演变成一种通用的并行计算平台。
- CUDA允许开发人员使用普通的C或C++编程语言编写并行计算程序，并利用GPU的并行计算能力来加速执行。
- 这使得开发人员能够利用GPU强大的计算能力来处理各种类型的任务，包括科学计算、机器学习、深度学习、数据分析等。
二、安装配置
1、本机配置
主机硬件配置+系统版本
2、确定CUDA下载版本
- 只有NVIDIA显卡才支持CUDA，如果电脑没有此类显卡，那么不必再进行后面的步骤。
- 打开NVIDIA控制面板，左下角“系统信息”，再点击“组件”，查看当前下卡驱动最高支持的CUDA
-
注：这里我最开始安装的是最高版本，12.5，后开报错，有换成12.1，还是不行，最后安装了11.6，报错的主要问题是，安装好之后使用paddle进行训练，发现只有用CPU才能出结果，用GPU版本则会返回“None”字样，查了网上的资料说CUDA版本太高，可能导致Paddle匹配不成功，我是用Paddle-ocr做的测试，paddleocr识别结果总是为none，但是换成paddle-cpu版本，则paddleocr能识别出正确的结果。当然也有可能是我的NVIDIA显卡比较老，是1060（6G）的型号，可能不太适合最新版本。
系统安装的显卡对应的CUDA
- 3、如果使用仪酷LabVIEW AI系列工具包。建议大家安装CUDA11.8以及对应的CUDNN。如果当前驱动低于这个版本，请前往NVIDIA官网，根据自己的显卡型号，下载并安装最新的驱动程序；https://www.nvidia.com/Download/index.aspx
三、下载安装包
1、登录NVIDIA开发者中心，下载CUDA安装包
https://developer.nvidia.com/cuda-toolkit-archive
image.png
2、在各版本中找到适合自己的版本，我最初用的12.6由于不兼容等问题，最终选择的是11.6，可以正常运行，通过GPU训练。
CUDA下载
四、安装CUDA
1、双击安装包，会先解压CUDA文件，此处的路径是临时解压路径，可以选择磁盘大一点的地方，存放解压文件。
image.png
2、选择同意继续安装
image.png
3、选择自定义安装
image.png
4、四个组件全部选择
image.png
5、选择安装地址，我选择为安装在E盘，
image.png
✨注意：无论是精简还是自定义，默认文件（CUDA11.8）安装路径为：
CUDA Documentation：
C:\program files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
Samples：
C:\ProgramData\NVIDIA Corporation\CUDA Samples\v11.8
CUDA Development：
C:\program files\NVIDIA GPU Computing Toolkit\CUDA\v11.8
五、 验证CUDA是否安装成功
运行cmd，输入nvcc -V，出现以下界面，则安装成功，我安装了11.6 和12.1 两个版本
nvcc -V
image.png
nvidia-smi
image.png
六、cuDNN的下载及安装
cuDNN是基于CUDA的深度学习GPU加速库，专门为深度学习算法服务，相当于CUDA的一个补丁。
1、登录cuDNN下载网页（必须注册账号并登录）
https://developer.nvidia.com/rdp/cudnn-archive
image.png
2、将解压后的文件夹中的bin、include、lib 三个文件夹，移动到CUDA Development 安装路径下，
与同名文件夹合并。
image.png
CUDA Development 默认安装路径：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.6
3、配置环境变量
“此电脑”—右键—属性—高级系统设置—环境变量，
打开环境变量窗口，手动将一下路径添加在path中
E:\Program Files\NVIDIA\CUDA\bin;
E:\Program Files\NVIDIA\CUDA\include;
E:\Program Files\NVIDIA\CUDA\libnvvp;
E:\Program Files\NVIDIA\CUDA\lib
4、下载并配置zlib
下载zlib，下载链接：https://pan.baidu.com/s/1-WIsbZXqLPNTODWvtENRSw?pwd=yiku
解压zlib，将zlibwapi.dll移动到CUDA Development 安装路径下的bin文件夹下，
该bin文件默认路径：
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\bin
image.png
至此CUDA及cuDNN安装并配置完毕。
七、#[cuda、cudnn、zlib 深度学习GPU必配三件套（Windows）
无论用tensorrt，还是onnxruntime部署。这三个都得下载配置，推荐都放到相应的cuda路径里（含dll的文件夹、含lib的文件夹）。
推荐先下载tensorrt或者onnxruntime，这样可以知道所需的cuda、cudnn版本。
zlib
Zlib是cuDNN所需的数据压缩软件库。广泛用于网络协议和文件系统的压缩
八、验证GPU运行的代码
from paddlenlp import Taskflow
from pprint import pprint
# 定义抽取目标的schema
# 这里我们定义了一个schema，用于抽取人物和他们所在的组织
schema = [{"人物": ["姓名"]}, "组织"]
# 创建UIE任务流实例
# 这里我们使用预训练的UIE模型，指定schema，并传入待抽取的文本
ie = Taskflow('information_extraction', schema=schema)
# 待抽取的文本
text = "李彦宏是百度公司的创始人之一。"
# 执行信息抽取
results = ie(text)
# 打印抽取结果
pprint(results)
显示这样为正常可以使用GPU训练
image.png
