如何检验CUDA,cuDNN安装结果
时间: 2025-03-19 14:15:59 浏览: 201
### 如何检查 CUDA 和 cuDNN 是否安装成功
#### 使用命令行工具检测 CUDA 版本
可以通过 `nvcc` 命令来确认 CUDA 的安装状态。打开命令提示符(Win+R 输入 cmd),运行以下命令:
```bash
nvcc -V
```
如果显示了 CUDA 的版本号及相关信息,则说明 CUDA 已经正确安装[^1]。
#### 执行设备查询程序验证硬件支持
进入 CUDA 的安装目录下的 demo_suite 文件夹,通常位于类似路径:
```
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\<version>\extras\demo_suite\
```
在此文件夹中找到并执行以下可执行文件:
- **deviceQuery.exe**: 运行此程序会输出当前系统的 GPU 设备详情以及是否兼容 CUDA 计算功能。如果结果显示 `Result=PASS` 则表明配置正常[^2]。
- **bandwidthTest.exe**: 测试显存带宽性能。同样地,若结果为 PASS 表明测试通过。
#### 检查 cuDNN 安装情况
对于 cuDNN 的验证可以采用两种方法:
##### 方法一:读取头文件中的宏定义 (适用于 Linux 或类 Unix 系统)
在终端输入下列任一条命令获取 cuDNN 主次版本号:
```bash
cat /usr/local/cuda/include/cudnn.h | grep CUDNN_MAJOR -A 2
```
或者针对新版本使用:
```bash
cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2
```
上述操作应返回类似于这样的内容:
```
#define CUDNN_MAJOR 8
#define CUDNN_MINOR 0
#define CUDNN_PATCHLEVEL 4
```
这表示已安装的是 cuDNN v8.0.4[^3]。
注意:该方式仅限于具有 `/usr/local/cuda/...` 路径结构的操作系统环境;而在 Windows 下需手动查阅对应 include 文件夹内的 cudnn*.h 文档寻找相同字段。
##### 方法二:编写简单 Python 脚本来加载库
创建一个小脚本尝试导入 TensorFlow 或 PyTorch 并初始化模型以触发底层调用到 cuDNN 功能模块。例如基于 Keras/TensorFlow 构建一段代码片段如下所示:
```python
import tensorflow as tf
from tensorflow.keras import layers, models
model = models.Sequential()
model.add(layers.Conv2D(32, kernel_size=(3, 3), input_shape=(28, 28, 1)))
print(tf.test.is_built_with_cuda()) # Check if TF was built with CUDA support.
print(tf.config.list_physical_devices('GPU')) # List all available GPUs detected by TF.
```
当以上过程均无错误发生且能识别出至少一块可用的 NVIDIA 显卡时即证明整个堆栈设置完毕并且能够正常使用 GPU 加速计算资源。
---
阅读全文
相关推荐
















