最近项目用到paddlenlp，并且需要对模型进行微调，自己电脑的cpu根本带不动，于是部署了gpu版本的云服务器，第一次接触gpu，耗时一个下午终于弄明白了，在此记录下来，希望对大家有所帮助。
- 安装Paddlepaddle
- CUDA版本确认及安装
- 查看NVIDIA支持的最高版本
- 查看是否安装CUDA
- 安装CUDA
- 安装cuDNN
- 安装Paddlepaddle
- 安装Paddlenlp
安装Paddlenlp之前首先要安装Paddlepaddle，这是被很多同学忽略的一点。我最开始也是直接安装Paddlenlp，在import的时候就一直出错，最后才发现官方文档最开始就强调了“以下安装过程默认用户已安装好paddlepaddle-gpu或paddlepaddle(版本大于或等于2.0)”。
Paddlepaddle官方安装说明已经非常详细，但是有些细节容易被忽略，下面着重强调。
Paddlepaddle目前GPU版本支持CUDA 10.1/10.2/11.0/11.1/11.2，所以一定一定要看弄清楚云服务器上是否已经安装了CUDA以及CUDA的版本。
查看NVIDIA支持的最高版本点击桌面NAVIDIA控制面板图标——>系统信息——>组件，可以看到NVIDIA支持的最高CUDA版本
在命令行中输入：nvcc --version查看CUDA版本，如果不满足Paddlepaddle版本要求或者机器还未安装CUDA，就需要下载符合版本要求的CUDA。对于机器已经安装了不符合版本要求的CUDA而言，最方便的就是将原有CUDA卸载，以免版本冲突。直接在“应用和功能”里面搜索CUDA卸载就好。
从CUDA下载地址下载对应版本的CUDA安装包。再次强调Paddlepaddle支持的版本为10.1/10.2/11.0/11.1/11.2，千万不要下错版本了，不然后面的努力都白费。
首先在NVIDIA控制面板的帮助中查看GPU支持的最高版本CUDA。
如下图所示选择配置就好
安装好CUDA后千万不要太激动就直接去安装Paddlepaddle了，不然import绝对会报错。千万千万千万还要再下载cuDNN。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。NVIDIA cuDNN可以集成到更高级别的机器学习框架中，如谷歌的Tensorflow、Pytorch及Paddle等。简单的插入式设计可以让开发人员专注于设计和实现神经网络模型，而不是简单调整性能，同时还可以在GPU上实现高性能现代并行计算。
也是直接去cuDNN官网（首次登录需要注册）下载。注意要和你下载的CUDA版本对应起来。
下载完成并解压后，需要把几个文件移动到CUDA下面，具体如下：
- 把cudabin下所有文件复制到 C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.2bin 目录下.
- 把cuda includecudnn.h复制到 C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.2include 目录下.
- 把cudalibx64cudnn.lib复制到C:Program FilesNVIDIA GPU Computing ToolkitCUDAv10.2libx64 目录下.
万事俱备，终于要开始安装Paddlepaddle了。建议为Paddle项目新建一个虚拟环境。
Paddlepaddle最适配的版本是python 3.7，所以在Anoconda Prompt中执行以下命令：
conda remove -n your_env_name(虚拟环境名称) --all
#然后进入环境
conda activate your_env_name(虚拟环境名称)
最后从Paddle官网中选择对应硬件配置及软件配置的安装命令就成功安装了（安装有些慢~）。可以在python里面运行import paddle检验是否安装成功。
Paddlenlp github项目地址中有详细介绍各种安装方法。我使用的是下图的安装方法，但是我在按照方法走的过程中遇到一些问题，做了一些调整。
- 由于安装Paddlepaddle的时候已经创建了虚拟环境，所以第一、二步可以不执行，直接在上面创建好的环境里面安装Paddlenlp就好；
- pip install --upgrade paddlenlp>=2.0.0rc -i https://pypi.org/simple这一句我无法执行，改成了pip install paddlenlp -i https://pypi.tuna.tsinghua.edu.cn/simple，就能顺利执行了。
完结，撒花~
