2、CUDA环境搭建：NVIDIA驱动安装、CUDA Toolkit安装、cuDNN配置、环境变量设置与验证

说实话，环境搭建这事儿，看着简单，但坑是真不少。

我见过太多同学，代码写得挺溜，结果一跑就报错。查了半天，原来是驱动版本不对。嗯，咱们今天就把这事儿一次性搞定。

2.1 NVIDIA驱动安装

先说说驱动。这是CUDA能跑起来的基础。

我个人习惯，装驱动前先看看自己显卡型号。你可以在终端里敲：

lspci | grep -i nvidia

或者用Windows的话，打开设备管理器，在显示适配器里就能看到。

拿到型号后，去NVIDIA官网下载对应驱动。这里有个关键点：别装太新的，也别装太旧的。我建议选那种「稳定版」，就是官网标注了「Studio Driver」或者「Game Ready Driver」的长期支持版本。

装完驱动，重启一下。然后验证：

nvidia-smi

如果能看到显卡信息、驱动版本、显存占用，那就对了。

2.2 CUDA Toolkit安装

驱动搞定了，接下来装CUDA Toolkit。

说白了，CUDA Toolkit就是一套开发工具包。里面有编译器nvcc、各种库、调试工具等等。

下载地址还是NVIDIA官网。注意选对操作系统和架构。我个人建议用runfile方式安装，别用deb包。为什么？因为runfile可以自定义安装路径，方便管理多个CUDA版本。

安装命令大概是这样：

wget https://developer.download.nvidia.com/compute/cuda/12.1.0/local_installers/cuda_12.1.0_530.30.02_linux.run
sudo sh cuda_12.1.0_530.30.02_linux.run

安装过程中，它会问你要不要装驱动。如果你已经装好了，记得取消勾选驱动，只装Toolkit。

2.3 cuDNN配置

cuDNN是NVIDIA专门为深度学习优化的库。它加速了卷积、池化、归一化这些操作。

你想想看，没有cuDNN，训练一个ResNet可能要多花好几倍时间。

安装cuDNN需要先注册NVIDIA开发者账号。下载下来是一个压缩包，里面是头文件和库文件。

配置步骤很简单：

# 解压
tar -xzvf cudnn-linux-x86_64-8.9.0.131_cuda12-archive.tar.xz

# 复制文件到CUDA目录
sudo cp cudnn-*-archive/include/cudnn*.h /usr/local/cuda/include/
sudo cp -P 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*

嗯，这里要注意：cuDNN版本必须和CUDA版本匹配。比如CUDA 12.1就要用cuDNN for CUDA 12.x的版本。

2.4 环境变量设置

装完了，还得让系统知道这些东西在哪。这就是环境变量的作用。

打开 ~/.bashrc 或者 ~/.zshrc，在末尾添加：

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

然后执行 source ~/.bashrc 让它生效。

为什么这么配？

• PATH：让系统能找到nvcc编译器
• LD_LIBRARY_PATH：让程序运行时能找到CUDA的动态库
• CUDA_HOME：很多深度学习框架（比如PyTorch、TensorFlow）会读取这个变量

2.5 验证环境

最后一步，验证所有东西是否正常工作。

先检查CUDA Toolkit：

nvcc --version

应该能看到CUDA版本号，比如 Cuda compilation tools, release 12.1, V12.1.105。

再检查cuDNN：

cat /usr/local/cuda/include/cudnn_version.h | grep CUDNN_MAJOR -A 2

能看到类似 #define CUDNN_MAJOR 8 这样的输出。

最后，写个简单的CUDA程序测试一下：

#include <stdio.h>

int main() {
    int deviceCount;
    cudaGetDeviceCount(&deviceCount);
    printf("检测到 %d 个CUDA设备\n", deviceCount);
    
    cudaDeviceProp prop;
    cudaGetDeviceProperties(&prop, 0);
    printf("设备名称: %s\n", prop.name);
    printf("计算能力: %d.%d\n", prop.major, prop.minor);
    
    return 0;
}

编译运行：

nvcc test.cu -o test
./test

如果能看到显卡信息，恭喜你，环境搭建成功了！

好了，环境搭好了，下一章咱们就开始写第一个CUDA程序。到时候你会发现，前面这些折腾都是值得的。