Cuda环境变量

### 如何配置和验证 CUDA 环境变量 #### 配置 CUDA 环境变量在 Linux 或 Windows 系统中，可以通过修改相应的配置文件来设置 CUDA 环境变量。对于 **Linux** 系统： - 编辑 `~/.bashrc` 文件以添加 CUDA 路径。具体操作如下：使用命令打开 `.bashrc` 文件并进入编辑模式： ```bash vi ~/.bashrc ``` 按下 `i` 键进入插入模式，在文件末尾追加以下内容（假设 CUDA 安装路径为 `/usr/local/cuda`）： ```bash export PATH=/usr/local/cuda/bin:$PATH export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH ``` 这些语句的作用分别是将 CUDA 的二进制目录加入到系统的执行路径中，并指定动态链接库的位置[^3]。完成编辑后保存退出，运行以下命令使更改生效： ```bash source ~/.bashrc ``` 对于 **Windows** 系统： - 如果安装的是较新的 Windows 版本（如 Windows 11），部分情况下可能已经自动完成了环境变量的配置[^1]。如果需要手动配置，则可以在系统属性中的“高级”选项卡里找到“环境变量”，分别向 `Path` 中添加 CUDA 的 bin 和 libnvvp 目录路径。 #### 验证 CUDA 环境变量为了确认 CUDA 是否被正确加载及其版本号，可采取以下方式： ##### 方法一：通过终端命令检测在 Linux 终端或者 Windows 命令提示符输入下面这条指令查看当前可用的 CUDA 工具链信息： ```bash nvcc --version ``` 此命令返回的结果应该包含所安装的具体 CUDA 版本编号等详情[^2]。另外还可以尝试编译一个小样例程序来进一步检验整个开发工具链是否正常工作。 ##### 方法二：利用 Python 测试 GPU 支持情况 (针对 TensorFlow/PyTorch 用户) 如果你正在构建基于深度学习框架的应用场景，那么也可以借助这些框架自带的功能来进行快速诊断。例如，在 PyTorch 中你可以这样查询是否有有效的 CUDA 设备连接： ```python import torch print(torch.cuda.is_available()) print(torch.version.cuda) ``` 上述脚本的第一行输出应为 True 表明存在支持 CUDA 技术的硬件；第二条则给出实际使用的 CUDA 库版本号码。

阅读全文