一、检查硬件和系统要求

在安装 CUDA 之前，确保你的系统满足以下要求：

  1. NVIDIA GPU：确认你的 GPU 支持 CUDA。可以在 NVIDIA CUDA GPU 列表 中查看支持的 GPU。

  2. 操作系统：确保你的操作系统（如 Ubuntu、Windows）与 CUDA 版本兼容。

  3. NVIDIA 驱动：安装最新版本的 NVIDIA 驱动。

我的是2080 super，win11，所以该文章主要是在windows上安装。

二、安装NVIDIA驱动

CUDA 需要 NVIDIA 驱动支持。以下是安装驱动的步骤：

  1. 访问 NVIDIA 驱动下载页面。

  2. 选择你的 GPU 型号和操作系统，下载并安装驱动。

  1. 安装完成后，打开命令提示符，运行 nvidia-smi 验证驱动是否安装成功。

三、安装CUDA Toolkit

CUDA Toolkit 包含编译和运行 CUDA 程序所需的工具和库。

  1. 访问 CUDA Toolkit 下载页面。

  2. 下载适用于 Windows 的安装程序并运行。

  3. 按照安装向导完成安装。

验证安装：
打开命令提示符，运行：

nvcc --version

四、安装 cuDNN

cuDNN 是 NVIDIA 提供的深度学习加速库，通常与 CUDA 一起使用。

  1. 访问 cuDNN 下载页面。

    • 你需要注册 NVIDIA 开发者账号才能下载。

  2. 下载与 CUDA 版本匹配的 cuDNN 版本。

  3. 解压并安装：将解压后的文件复制到 CUDA 安装目录（如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<版本>）。

  4. 验证安装：运行深度学习框架（如 TensorFlow 或 PyTorch）并检查是否支持 GPU。

五、验证 CUDA 和 cuDNN 安装

  1. 打开windows终端运行以下命令验证CUDA：

nvcc --version

  1. 运行深度学习框架（如 PyTorch 或 TensorFlow）并检查 GPU 是否可用：

    • PyTorch：

      import torch

print(torch.__version__)  # 检查 PyTorch 版本
print(torch.cuda.is_available())  # 检查 GPU 是否可用
print(torch.cuda.get_device_name(0))  # 打印 GPU 名称

六、常见问题

  1. 版本不匹配

确保 CUDA、cuDNN 和深度学习框架的版本兼容

  1. 驱动冲突：如果安装 CUDA 后驱动出现问题，可以尝试重新安装驱动。