环境搭建：CUDA Toolkit安装，cuDNN配置，Docker镜像构建，conda环境管理
做量化回测的GPU加速，第一步就是搭环境。
说实话，这一步劝退了很多人。我见过不少同事，算法写得漂亮，结果卡在环境配置上，一卡就是两三天。其实没那么玄乎，咱们一步步来。
CUDA Toolkit安装
CUDA Toolkit是NVIDIA的并行计算平台。说白了，它就是让GPU干活的“翻译官”。
我个人习惯先查一下显卡型号。打开终端，跑一句：
nvidia-smi你会看到类似这样的输出：
+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05 Driver Version: 525.85.05 CUDA Version: 12.0 |
+-----------------------------------------------------------------------------+注意看右上角的CUDA Version。这个版本号决定了你能装什么版本的CUDA Toolkit。
下载地址在NVIDIA官网。选对操作系统和架构，我一般选runfile(local)方式安装。为什么？因为可以指定安装路径，方便管理。
wget https://developer.download.nvidia.com/compute/cuda/12.0.0/local_installers/cuda_12.0.0_525.60.13_linux.run
sudo sh cuda_12.0.0_525.60.13_linux.run安装时记得取消勾选Driver（如果你已经装好了驱动）。只选Toolkit和Samples就行。
装完后配置环境变量：
export PATH=/usr/local/cuda-12.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.0/lib64:$LD_LIBRARY_PATH验证一下：
nvcc --version看到版本号就对了。
cuDNN配置
cuDNN是深度神经网络的加速库。做量化策略时，如果你用到了LSTM或Transformer模型，cuDNN能帮你省下大量训练时间。
下载cuDNN需要注册NVIDIA开发者账号。选跟CUDA Toolkit匹配的版本。
安装其实很简单——解压后复制文件：
tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda12-archive.tar.xz
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda-12.0/include
sudo cp -P cudnn-*-archive/lib/libcudnn* /usr/local/cuda-12.0/lib64
sudo chmod a+r /usr/local/cuda-12.0/include/cudnn*.h /usr/local/cuda-12.0/lib64/libcudnn*验证cuDNN是否装好：
cat /usr/local/cuda-12.0/include/cudnn_version.h | grep CUDNN_MAJOR -A 2看到版本号就OK了。
Docker镜像构建
Docker是个好东西。你想想看，团队里每个人环境都不一样，有人用Ubuntu 20.04，有人用22.04，还有人用CentOS。用Docker，一次构建，到处运行。
我习惯用NVIDIA官方提供的CUDA镜像作为基础镜像：
FROM nvidia/cuda:12.0.0-cudnn8-devel-ubuntu22.04
RUN apt-get update && apt-get install -y \
python3.10 \
python3-pip \
git \
vim \
&& rm -rf /var/lib/apt/lists/*
RUN pip3 install --upgrade pip
WORKDIR /workspace构建镜像：
docker build -t quant-gpu:1.0 .运行容器时记得加--gpus参数：
docker run --gpus all -it --rm -v $(pwd):/workspace quant-gpu:1.0Conda环境管理
Conda是Python环境管理的利器。做量化回测时，不同项目依赖的库版本可能冲突。比如项目A需要numpy 1.21，项目B需要numpy 1.24。用Conda可以完美隔离。
安装Miniconda：
wget https://repo.anaconda.com/miniconda/Miniconda3-latest-Linux-x86_64.sh
bash Miniconda3-latest-Linux-x86_64.sh创建量化回测专用环境：
conda create -n quant_gpu python=3.10
conda activate quant_gpu安装常用库：
conda install numpy pandas scipy matplotlib
pip install backtrader pyfolio
pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu118验证GPU是否可用：
python -c "import torch; print(torch.cuda.is_available())"输出True就对了。
知识体系总览
下面这张图帮你理清整个环境搭建的脉络：
环境搭好了，后面的事情就顺了。记住一个原则：版本匹配是王道。CUDA Toolkit、cuDNN、PyTorch、驱动，这四个东西的版本必须对齐。少一个不匹配，就可能白忙活半天。
📌 核心要点：
- 先查驱动版本，再装CUDA Toolkit
- cuDNN版本必须匹配CUDA版本
- Docker容器记得加--gpus参数
- Conda环境隔离不同项目的依赖
- PyTorch的CUDA版本要与系统一致
嗯，环境搭建就这些。别怕麻烦，一次配好，后面能省下大量时间。我刚开始做GPU加速时，光环境就折腾了两天。现在回想起来，其实就是版本匹配的问题。你按这个流程走，应该半小时就能搞定。