CUDA和cuDNN安装
时间: 2025-05-20 10:48:29 浏览: 15
### CUDA 和 cuDNN 的安装指南
#### 准备工作
在开始安装之前,确保计算机已满足以下条件:
- 已正确安装支持 CUDA 的 GPU 显卡驱动程序[^1]。
- 系统环境变量配置完成以便于后续操作。
#### 安装 NVIDIA 驱动
NVIDIA 驱动的安装可以通过官方提供的工具包实现。如果 `nvidia-smi` 命令能正常返回显卡信息,则说明驱动已经成功安装;然而,若遇到无法运行 `nvidia-settings` 并提示未使用 NVIDIA X driver 的情况,可能需要手动编辑 X configuration 文件来解决问题[^2]。
#### 下载并安装 CUDA Toolkit
访问 NVIDIA 官方网站获取最新版本的 CUDA Toolkit。下载时需注意选择与操作系统匹配的版本以及对应的架构类型(如 Windows 或 Linux)。按照官网指引逐步执行安装脚本即可完成部署[^1]。
#### 获取及设置 cuDNN 库
前往 cuDNN 官方下载页面 (https://developer.nvidia.com/rdp/cudnn-archive),登录账户后可找到对应自己所使用的 CUDA 版本之 cuDNN 资源链接。初次使用者需先完成邮箱注册认证手续才能获得授权访问权限。解压文件至指定目录并将路径加入到系统的 LD_LIBRARY_PATH 中去使得应用程序能够调用该库功能[^3]。
#### 使用 Anaconda 进行 PyTorch-GPU 设置
对于采用 Conda 环境管理器的朋友来说,可以直接通过命令行快速建立包含特定版本 cuda 支持的 pytorch 环境而无需单独处理以上提到的一些复杂环节。例如创建名为 myenv 的新虚拟空间同时加载 gpu 加速版 torch 只需要用如下指令:`conda create -n myenv pytorch torchvision torchaudio cudatoolkit=XX.X python=YY.Y`,其中 XX.X 表示期望对接的 cuda sdk 数字组合, YY.Y 则代表目标解释器级别.
```bash
# 创建新的 conda 环境
conda create -n myenv pytorch torchvision torchaudio cudatoolkit=11.3 python=3.8 -c pytorch
```
此方法简化了许多传统意义上的依赖关系调整难题,并且推荐给那些希望专注于开发而非折腾底层设施的新手们尝试实践一番[^3].
#### 测试安装成果
最后一步非常重要——验证整个链条是否搭建完好无损。可以编写一小段测试代码用来确认当前环境中是否存在可用设备及其性能表现如何:
```python
import torch
if __name__ == "__main__":
device = 'cuda' if torch.cuda.is_available() else 'cpu'
print(f"Using {device} device")
x = torch.rand(5, 5).to(device)
y = torch.rand(5, 5).to(device)
z = x @ y
print(z.cpu())
```
上述脚本会打印出随机矩阵乘法的结果,从而间接证明了硬件加速机制已被激活启用状态良好。
阅读全文
相关推荐


















