3、CUDA环境搭建：NVIDIA驱动安装、CUDA Toolkit安装、cuDNN配置、验证安装环境

说实话，很多初学者在CUDA上栽的第一个跟头，不是算法没搞懂，而是环境没搭好。我见过太多人花了一整天装驱动，结果黑屏了。嗯，我自己也经历过。

这一章，咱们就把环境搭建这件事彻底讲清楚。你跟着我的步骤走，基本不会出问题。

3.1 准备工作：先看看你的硬件

动手之前，先确认一件事：你的电脑有没有NVIDIA显卡？

怎么查？很简单：

• Windows用户：打开设备管理器 → 显示适配器。看到NVIDIA字样就对了。
• Linux用户：终端输入 lspci | grep -i nvidia

我建议你顺便查一下显卡的计算能力（Compute Capability）。这个参数决定了你的卡能跑什么版本的CUDA。比如GTX 1060是6.1，RTX 3090是8.6。你可以在NVIDIA官网查到完整列表。

3.2 NVIDIA驱动安装

驱动是基础。没有驱动，CUDA Toolkit装得再漂亮也没用。

3.2.1 怎么选驱动版本？

我个人习惯去NVIDIA官网下载。别用Windows自动更新的驱动，那个版本太旧。

选驱动时注意两点：

• Game Ready驱动：适合游戏玩家，更新快
• Studio驱动：适合开发，更稳定

做CUDA开发，我推荐Studio驱动。为什么？因为稳定。我曾经因为追新驱动，导致某个项目里的CUDA库不兼容，排查了一整天。

3.2.2 安装步骤（Windows）

1. 去NVIDIA官网下载对应显卡的驱动
2. 双击安装，选择「自定义安装」
3. 勾选「执行清洁安装」——这个很重要，能避免旧驱动残留
4. 一路下一步，重启电脑

3.2.3 安装步骤（Linux）

Linux下装驱动，我建议用官方.run文件，别用系统自带的nouveau开源驱动——那个性能差太多了。

# 先禁用nouveau
sudo bash -c "echo blacklist nouveau > /etc/modprobe.d/blacklist-nvidia-nouveau.conf"
sudo update-initramfs -u

# 重启后安装
sudo chmod +x NVIDIA-Linux-*.run
sudo ./NVIDIA-Linux-*.run

# 验证
nvidia-smi

看到nvidia-smi输出表格，就说明驱动装好了。

3.3 CUDA Toolkit安装

驱动装好了，接下来装CUDA Toolkit。这个工具包包含了编译器、库文件、调试工具等。

3.3.1 版本选择

这里有个常见的误区：不是越新越好。你要看你的项目需要什么版本。比如PyTorch 1.10对应CUDA 11.3，你装个CUDA 12.0反而可能不兼容。

我个人习惯装两个版本：一个最新的，一个项目需要的。用update-alternatives（Linux）或环境变量（Windows）切换。

3.3.2 安装步骤

去NVIDIA开发者网站下载对应系统的安装包。我建议用本地安装包（local installer），别用网络安装——万一网络断了，前功尽弃。

Windows：

双击安装 → 选择自定义 → 只勾选「CUDA」和「Development」→ 安装

Linux：

sudo sh cuda_*.run
# 注意：不要安装驱动（Driver），我们已经装过了

export PATH=/usr/local/cuda/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda/lib64:$LD_LIBRARY_PATH

3.4 cuDNN配置

cuDNN是NVIDIA针对深度神经网络的加速库。说白了，就是帮你把卷积、池化这些操作跑得更快。

3.4.1 下载cuDNN

需要注册NVIDIA开发者账号才能下载。别嫌麻烦，注册一下就好。

下载时注意版本匹配：cuDNN 8.x对应CUDA 11.x，cuDNN 9.x对应CUDA 12.x。我曾经下错过版本，编译时报了一堆莫名其妙的错误。

3.4.2 安装步骤

Windows：

1. 解压下载的zip包
2. 把bin/、include/、lib/三个文件夹的内容
   分别复制到CUDA安装目录对应的文件夹下
   （默认在 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.8\）

Linux：

# 解压
tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda11-archive.tar.xz

# 复制文件
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/
sudo cp cudnn-*-archive/lib/libcudnn* /usr/local/cuda/lib64/

# 设置权限
sudo chmod a+r /usr/local/cuda/include/cudnn*.h
sudo chmod a+r /usr/local/cuda/lib64/libcudnn*

3.5 验证安装环境

装完了，怎么知道对不对？写个简单的程序跑一下。

3.5.1 检查驱动和CUDA版本

nvidia-smi          # 查看驱动版本、GPU信息
nvcc --version      # 查看CUDA Toolkit版本

这里有个坑：nvidia-smi显示的CUDA版本是驱动支持的最高版本，不是你实际安装的Toolkit版本。别搞混了。

3.5.2 编译并运行示例程序

CUDA Toolkit自带了一些示例代码，在/usr/local/cuda/samples/目录下。

# 编译deviceQuery示例
cd /usr/local/cuda/samples/1_Utilities/deviceQuery
make
./deviceQuery

# 输出应该能看到你的GPU型号、计算能力、显存等信息

如果看到「PASS」字样，恭喜你，环境搭好了。

3.5.3 写个简单的CUDA程序

咱们自己写一个，验证编译和运行都没问题：

#include <stdio.h>

__global__ void hello_cuda() {
    printf("Hello from GPU block %d, thread %d\n", 
           blockIdx.x, threadIdx.x);
}

int main() {
    hello_cuda<<<2, 3>>>();
    cudaDeviceSynchronize();
    printf("Hello from CPU\n");
    return 0;
}

编译运行：

nvcc hello.cu -o hello
./hello

你会看到GPU和CPU交替打印信息。这说明CUDA环境完全可用。