使用Tesla P4显卡炼丹与游戏的环境配置(CUDA9.0 \ PyTorch1.1.0 \ DirectX 12.0)

使用Tesla P4显卡炼丹与游戏的环境配置(CUDA9.0 \ PyTorch1.1.0 \ DirectX 12.0)

系统： Windows 10 （1909）

建议内存大小：>= 8 GB

Anaconda版本：Anaconda3-2021.05-Windows-x86_64

Nvidia 驱动版本：386.45

CUDA 版本：9.0

cuDNN 版本：9.0

PyTorch 版本：1.1.0

TorchVision: 版本：0.3.0

Python 版本：3.7.0

DirectX 版本：12.0

前言

目前（2021年8月），30系显卡的行情不是很美好，原本7月底可以￥3500买到一张12GB显存的入门级3060显卡，现在要￥4200左右，溢价￥1700+。当前的这个行情，不管是对游戏玩家，还是对我们这些炼丹童子，都极其不友好。因此，暂时放弃30系显卡，选择到闲鱼上淘一些二手的Tesla炼丹显卡，也不失为一种不算太糟糕的妥协。友情提示：Tesla类型的显卡，一般都用于服务器机房，有专门的散热设计，如果是想要用在家用主机上，需要进行一些bios设置、散热改装等，对于diy小白不是很友好。

       为此，我做了一张简易的对比表格，方便不同tesla显卡之间相互对比（主要考虑单精度运算能力、CUDA核心数、功耗、价格），表格仅供参考，各位按需考虑即可，更多的信息可以参考该维基百科链接（需要科学上网）：

https://en.wikipedia.org/wiki/List_of_Nvidia_graphics_processing_units

    我目前入手的显卡是Tesla P4（8GB），考虑到的因素包括但不仅限于：

（1）最近的二手市场上P4较容易买到；

（2）P4无需更改BIOS即可适配Windows、Linux系统；

（3）P4的单精度运算能力不高不低，能够满足基本的炼丹需求（后文我会做简单的CNN网络训练速度对比）；

（4）功耗方面，不需要外接显卡供电的75W功耗，能够在不更换电源的情况下实现双卡配置（大部分主板拥有两个PCIE接口，一个全速的x16，另一个低速的x4/x8）；

（5）Tesla系列显卡基本都是被动散热，P4也不例外，但其75W的功耗决定了它的发热量不会太恐怖，意味着其散热修改难度对比其他型号低一点。

（PS：Tesla系列显卡是没有显示输出接口的，因此入手前请确保自己的CPU自带核显，或者手上有张亮机卡用作显示输出。）

       本文目录如下

       0前言

       1 Nvidia驱动安装

       2 CUDA安装

       3 PyTorch安装

       4 Tesla P4 游戏实测

       5 后话

       6 参考文献

       对于炼丹同学，推荐阅读0-4章（是的，炼丹需要玩游戏放松一下：），对于游戏玩家，推荐阅读0、1、4章。

       Tesla P4 实图：

1  Nvidia驱动安装

1.1 Nvidia驱动版本选择与下载

       驱动下载的官网地址为：https://www.nvidia.cn/Download/index.aspx?lang=cn

       百度网盘地址为：https://pan.baidu.com/s/1NMWxIEbzPbMkCWZGnKb3kA

提取码：2a17

    在官网下载页面中，可以根据自己的情况，灵活选择想要下载的版本。目前我比较推荐的是下载支持Pytorch 1.1.0 、CUDA 9.0的驱动版本, 毕竟目前GitHub上开源的深度学习代码，大部分基于Pytorch 1.1.0 、CUDA 9.0（不要杠，杠就是你说的对：），不推荐盲目地追求最新、最高版本，毕竟“新”不代表稳定、好用、Q&A丰富。

    在我分享的百度网盘中，直接选择 “386.45-tesla-desktop-win10-64bit-international” 进行下载。

    （Ps:版本号为386.45的驱动无法支持Tensorflow2.0，有深度学习、机器学习等需求Tensorflow2.0的小伙伴，可以选择我网盘里的“cuda_10.0.130_411.31_win10.exe”进行安装，这个exe能够让你同时安装nvidia驱动和cuda，有不清楚的地方可以私聊我进行交流）

1.2 Nvidia驱动安装

       双击或者右键运行驱动程序 “386.45-tesla-desktop-win10-64bit-international.exe”，接着完成驱动解压，解压路径选择默认的即可，单机OK进行解压。

    同意英伟达驱动协议条款，进入下一步

    进入安装选项，这一步选择“自定义”，单击“下一步”

    进入自定义安装选项页面，这一页面中，把全部选项勾选，并将“执行清洁安装”勾选（这一选项视情况而定，若你使用的是核显，请勾选这一步，若你另外有一张Nvidia的显卡充当显示输出，这一步可以不勾选，以免不小心地删除亮机卡驱动），单击下一步进行驱动安装即可。

点击下一步，进行安装

安装完重启一下即可，重启过后在cmd输入 nvidia-smi 即可查看GPU情况，如下图。若安装结束后，输入nvidia-smi没有出现下图所示内容，驱动有可能安装失败了。

2 CUDA 安装

2.1 CUDA和cuDNN版本选择与下载

CUDA的版本有很多，前面我也在1.1章节说过，可以根据自己的需要灵活选择，目前我比较推荐的是CUDA 9.0，因此本教程也是基于CUDA9.0，有其他版本需求的小伙伴可自行在官网选择。

（a）在我分享的网盘中，总共有两个CUDA，一个是CUDA9.0，对应“cuda_9.0.176_win10.exe”文件，另一个是CUDA10.0，对应“cuda_10.0.130_411.31_win10.exe”。

（b）CUDA官网下载地址为

https://developer.nvidia.com/cuda-toolkit-archive

在官网页面下，你能找到很齐全的各个版本CUDA，如下图所示：

    以上是CUDA的选择与下载，要想使用GPU进行深度学习，光有CUDA是不行的，我们还需要安装cuDNN，CUDA和cuDNN的关系就类似于工作台和工作台上的扳手之间的关系（ref: https://www.jianshu.com/p/622f47f94784）。cuDNN的版本需要与CUDA的版本相匹配，否则无法正常工作。因此这里我们选择的是对应的cuDNN9.0，其同样可以在我分享的网盘中进行下载，文件名为“cudnn-9.0-windows10-x64-v7.6.5.32.zip”。

       此外，若需要到其他版本的cuDNN，可以到Nvidia官网进行下载，下载地址为：

       https://developer.nvidia.com/rdp/cudnn-archive

       在官网页面下，你能找到很齐全的各个版本的cuDNN，如下图所示

2.2 CUDA9.0与cuDNN9.0安装

2.2.1 CUDA9.0的安装

CUDA9.0的安装较为简单，首先双击打开CUDA9.0的exe安装包“cuda_9.0.176_win10.exe”，进入自动解压界面，如下图所示

解压结束后，自动开始检查系统的兼容性（大部分情况下，电脑的兼容性检查都能通过），如下图所示

接着，同意安装协议并继续

正式进入安装界面，选择“自定义安装选项”，点击进入下一步

在自定义安装界面中，勾选全部的安装选项（默认是全勾选），如下图所示

勾选完成以后，点击下一步，即进行CUDA9.0的安装，安装结束后重启计算机。

2.2.2 cuDNN9.0的安装

等待计算机在安装CUDA9.0结束并重启成功后，我们开始下面的cuDNN9.0的安装。cuDNN9.0的安装较为简单，直接对cuDNN9.0的文件进行解压，解压以后得到如下图所示的文件。

       接着，我们打开CUDA9.0的安装路径，若你在安装CUDA9.0的时候，没有对安装路径进行特殊设置，一般默认的路径为“C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v9.0”，如下图所示

定位到CUDA9.0的安装路径以后，我们将前一步对cuDNN解压得到的三个文件“bin”、“include”、”lib”，全部复制到当前安装路径，若询问已存在相同文件，选择覆盖即可。

       完成以上步骤以后，我们还需要检查一下CUDA9.0和cuDNN是否已加入系统PATH环境路径，若无，我们需要手动添加。首先，我们打开系统的“属性“，如下图所示

进入“属性“后，找到”高级系统设置“，如下图所示

接着，我们进入系统的“环境变量“，如下图所示

在“环境变量“页面，我们选择”系统变量“的”Path“，并点击”编辑“对其进行编辑，如下图所示

在“Path“的编辑界面中，我们查找是否已有CUDA和cuDNN的路径存在，一般会又下图所示的三项路径，若无，请点击右上角的”新建“进行手动添加。

到此，CUDA9.0和cuDNN9.0的安装差不多结束了，我们最后要做的是检查是否已成功安装，检查的方法也较为简单。首先，打开cmd命令行界面，接着我们在命令行界面输入”nvcc -V”进行cuDNN的版本查询，若能成功查询到cuDNN的版本（图中所示版本不是9.0，原因在于我自己安装9.0的时候忘记截图了，现在拿10.0的截图滥竽充数，请读者海涵：），则说明已成安装CUDA和对应的cuDNN，如下图所示，若提示无”nvcc -V”命令，说明cuDNN未能成功安装。

3 PyTorch 1.1.0 安装

3.1 PyTorch版本选择与下载

       关于版本的选择，一直以来，我都强调版本的选择主要看个人需求，除非是很老或者很新的版本，不然差别不是很大。这里，考虑目前我接触的代码，大部分都基于PyTorch 1.x，因此这里我演示的是PyTorch1.1.0搭配TorchVision0.3.0。

       在我分享的网盘链接中，里边有PyTorch安装文件“torch-1.1.0-cp37-cp37m-win_amd64.whl”和TorchVision安装文件“torchvision-0.3.0-cp37-cp37m-win_amd64.whl”。可以直接下载。嫌麻烦的同学，如若以前已经配置了Anaconda环境，那么可以略过下载这一步，交给热心的Anaconda来做，后文安装部分也介绍无需下载的安装方式。没有配置Anaconda环境，但是又想偷懒的同学，可以访问我以前发布的Anaconda配置教程，链接为“https://www.bilibili.com/read/cv12311215?spm_id_from=333.999.0.0”。

       若有其他版本的需求，可以访问官网，链接为：

       https://download.pytorch.org/whl/torch_stable.html

       进入官网以后，可以浏览所有历史版本的PyTorch和TorchVision，如下图所示，图中我也进行了一些备注，解释下载文件名代表的意思。

3.2 PyTorch 和 TorchVision 安装

       安装的方式有两种，一是下载安装包以后进行离线安装，另一种是无需下载安装包的在线安装方式，这里我们两种方式都进行介绍。

3.2.1 离线安装

       在我们已经下载完xxx.whl的安装文件以后，打开cmd，运行”conda create –n tmp-py37 python=3.7”，利用conda新建一个python3.7的环境“tmp-py37”，如下图

创建完以后，运行“conda env list”列出你现有的所有环境，查看一下”tmp-py37”是否已经在列表中，接着运行“conda activate tmp-py37”激活进入到环境当中。

       接着，在正确的python3.7环境“tmp-37”中，先进入到你的安装包所在目录，然后运行”pip install torch-1.1.0-cp37-cp37m-win_amd64.whl”，如下图所示

类似地，TorchVision也是按照这样的方式安装，紧接着运行“pip install torchvision-0.3.0-cp37-cp37m-win_amd64.whl”

上述两个安装步骤进行结束以后，我们需要检查一下是否已正确地、成功地安装，如下图所示，运行python，在python中对torch和torchvision进行import，然后查看他们的版本（version），一般正确的显示版本号，即表示成功安装。还可以新建一个tensor变量，查看是torch能正常使用，下图中我新建了一个2*3维度的dd，并将dd放到了GPU中，dd能够成功被创建，且放到了0号GPU中，表示torch被正确安装。

3.2.2 在线安装

       在上一节，我们介绍了离线安装的方式，这里我们介绍一种在有网状态下更加灵活的安装方式。类似地，我们先新建一个基于python3.7的环境“tmp-py37-online”，如下图

接着，第一步是进入Pytorch官网（估计不少人会被官网的网速劝退：），官网地址为“https://pytorch.org/”，进不去官网的同学，可以搭梯子进去，或者选择放弃：）。打开官网以后，可以看到如下图的橘红色首页

在首页中，往下翻，可以找到Pytorch和tochvision的在线安装命令，如下图所示，在界面中可以根据自己实际情况选择具体选项，即可在“Run this Command”一栏看到官网推荐的在线安装命令，复制这条命令下来。

运行复制下来的在线安装命令，便开始了在线下载+安装的进程，如下图所示

同样的，在安装完以后，我们需要检查是否安装成功，如下图所示

很不幸的是（我故意的：），在检查过程中，我们发现torch和torchvision都已安装，但是却不能正常使用，并且报了一个“RuntimeError”类型的错误。从错误信息可以看到，这是因为我们在线安装的torch和torchvision与我们现有的CUDA版本不匹配，我们前面安装的CUDA版本过低，为CUDA9.0，而现在需要的是CUDA10.2。这怎么办呢？细心的同学可能在前边的PyTorch官网已经发现了，其实官网给你推荐的往往都是最新的torch，而我们实际并不需要最新的，可以在之前的获取安装命令时，点击下方的“Previous version of PyTorch”，即可找到历史版本的torch和torchvision在线安装命令，灵活地选择符合你电脑环境、CUDA版本的torch和torchvision。

4 Tesla P4 游戏实测

       前边叭叭了那么多，现在我们进入正题。

       我们知道，Tesla P4原本是用于服务器环境下的GPU，没有设计显示输出，因此不能直接连接显示器进行游戏。有同学可能就会说了，没有输出接口，我们给他焊一个上去不就行了？是的，理论上是可以的，实际上也是可以的，毕竟核弹都可以用算盘打出来：）。先来看看，我们的Tesla P4信息是怎样的，如下图

如图中可以看到，Tesla P4是支持DirectX12.0、OpenCL、OpenGL的（如果你的tesla显卡在GPU-Z中显示不支持以上这些运算，大概率是因为没有进行我后边的修改，这是我修改后截的图），说人话，Tesla P4能玩游戏，但不能显示。就类似于，一个动物，他能生产水，却没有排解水的器官。为了能够让P4顺利显示，我们需要借助其他显卡的帮助，可以是核显，也可以是RTX 3090。很显然，核显更好一点，因为空气不能显示东西：）。

打开任务管理器和Nvidia控制面板，可以看到，除了核显，我们是看不到插在主机上的Tesla P4的，并且在Nvidia控制面板中，也无法设置P4用于游戏运算。

接下来，我们打开注册表（win10系统下，左下角搜‘注册表‘即可打开），进入到路径

“计算机\HKEY_LOCAL_MACHINE\SYSTEM\ControlSet001\Control\Class\{4d36e968-e325-11ce-bfc1-08002be10318}”

       在路径中，我们可以看到当前的显卡情况，如下图

在注册表中，经过我阅读其他人的尝试（参考链接已给出，有些需梯子），以及结合自己实际情况，找到了不同显卡对应参数项，不同机器可能会略有差别，但大差不大，图中所示的001参数项应该属于我的核显，002和003分别对应我的两张P4。我们现在要做的是修改002和003的AdapterType、EnableMsHybrid参数，使得P4支持Drectx和OpenGL运算，并且通过核显进行显示输出。

       一步步来，首先，分别对002和003的AdapterType进行修改，如下图

接着，我们需要对002和003的EnableMsHybrid参数设置，如果你没有找到这个参数，需要先手动创建这个参数。创建这个参数，以002为例，右键002，单击新建，单击“DWORD(32)位值(D)“，

创建成功后，会在列表中出现一个新值，对这个新值右键，

右键修改新值的名称位EnableMsHybrid，并且将其值设置为1。与002一致，003当中的AdapterType和EnableMsHybrid也如此设置即可。

到这里，我们就快成功了。设置完成以后，我们重启电脑（建议）打开设备管理器（也还行），对P4进行禁用、再启用操作，如下图所示对P4进行禁用（我就不演示了，后台正跑着实验，不好禁用再启用：）。

进行这个操作以后，便可以在任务管理器中看到P4了，如下图，温度高是因为我在跑实验，略过：）。

接着，我们还需要指定电脑的图形运算使用P4而不是核显。具体做法，在桌面上右键，进入“显示设置“，

在显示设置中找到“图形设置”，

在图形设置中，选择P4用作图形运算设备

       到这里，便算是大功告成了，我们可以打开自己的游戏，体验一下Tesla P4用作游戏显卡的快乐：）。如果你的Nvidia版本较新的话，还可以在Nvidia控制面板找到3D设置，进行更灵活的设置（本教程的386.45不可以，但是如果你在前边的教程中安装的是cuda10.0，那你的Nvidia驱动版本为412，可以找到3D设置）。

       因为我只玩LOL，所以我这里只给一下LOL的游戏帧数，以作参考：2K环境，最高画质，极地大乱斗泉水220FPS、团战150FPS，峡谷泉水200FPS、团战120-140，这些帧数仅作参考，因为我是一边跑实验一边打游戏测的。3DMark我也买来测了一下，打算后续出一篇Tesla P4散热、频率调整（不算超频，毕竟75W的卡没啥超频意义）相关的文章，到时再详细给出跑分结果，欢迎关注。

       Have your joy ：）。

5 后话

       首先，我跟大家说个抱歉，虽然也没啥人看哈哈哈哈，其实从以往的动态中可以看到，Tesla P4是我在2021.08.12就已经购入了的，拖到现在2021.10.04才出相关的教程，原因有几个，一是最近公司的工作较忙，二是毕业前投出的文章修改，三是对Tesla P4的散热、稳定性进行了探索（不稳定的话，怎么敢推荐，涨价的话别骂我，我真的没收任何一分钱），四是粉丝少、没人催更哈哈哈哈哈哈。

       其次，我是个比较懒的人，做事情比较需要外部动力，自驱力略微欠缺，说人话，不点赞没动力啊：）。想想就心酸，老早以前搬运+翻译的两个深度学习教学视频，观看10000+，收藏800+，但是点赞数却只有100，属实把我心态搞崩了，所以这两个视频我也就没有继续翻译，莫怪我，我懒。

       各位小伙伴，但凡觉得这篇文章有一点点帮助，麻烦给个赞吧，谢谢各位。

6 参考文献

【1】     https://www.bilibili.com/read/cv5352899/

【2】      https://superuser.com/questions/268901/how-do-i-determine-which-graphics-card-im-using

【3】      https://forum.level1techs.com/t/gaming-on-my-tesla-more-likely-than-you-think/171185/200

【4】      https://linustechtips.com/topic/1029382-hacking-nvidias-drivers/page/8/

【5】      https://blog.csdn.net/qq_18620653/article/details/105329219