第2章开发环境搭建

2. 开发环境搭建：安装NVIDIA驱动、安装CUDA Toolkit、配置环境变量、验证安装

好，咱们正式开始动手了。

这一章，我带你把CUDA的开发环境搭起来。说实话，这一步看着简单，但坑不少。我见过太多新手卡在环境配置上，代码写好了跑不起来，最后发现是驱动版本不对。

咱们一步步来，别急。

2.1 安装NVIDIA驱动

CUDA要跑起来，首先得有个NVIDIA显卡。这个不用我多说吧？

驱动是显卡和操作系统之间的桥梁。没有它，你的GPU就是个摆设。

2.1.1 检查你的显卡

先看看你电脑里装的是什么卡。我习惯用这个命令：

# Windows下，打开设备管理器
# 或者用命令行
wmic path win32_videocontroller get name

# Linux下
lspci | grep -i nvidia

如果你看到类似 NVIDIA GeForce RTX 3060 或者 NVIDIA Tesla V100 这样的输出，恭喜你，硬件没问题。

注意： 如果你用的是笔记本，记得确认是独立显卡在工作。有些笔记本默认用集显，CUDA根本认不到独显。我曾经帮一个学生远程调试，折腾了两小时才发现他笔记本的独显根本没启用。

2.1.2 下载并安装驱动

去NVIDIA官网下载对应你显卡型号的驱动。网址我就不贴了，你搜一下「NVIDIA 驱动下载」就行。

选驱动的时候注意三点：

操作系统版本：Windows 10/11 还是 Linux？64位还是32位？
显卡型号：别下错了，RTX 30系的驱动和GTX 10系的不一样
笔记本还是台式机：笔记本驱动有时会标注"Notebook"

安装过程很简单，一路下一步就行。但我建议你选「自定义安装」，然后勾选「执行清洁安装」。这样能避免旧驱动残留导致的问题。

小技巧： 安装完驱动后重启一下电脑。别问我为什么，Windows就是这么任性。

2.1.3 验证驱动安装

驱动装好了，怎么知道它工作正常？

打开命令行，输入：

nvidia-smi

如果看到类似这样的输出，说明驱动没问题：

+-----------------------------------------------------------------------------+
| NVIDIA-SMI 525.85.05    Driver Version: 525.85.05    CUDA Version: 12.0     |
|-------------------------------+----------------------+----------------------+
| GPU  Name        Persistence-M| Bus-Id        Disp.A | Volatile Uncorr. ECC |
| Fan  Temp  Perf  Pwr:Usage/Cap|         Memory-Usage | GPU-Util  Compute M. |
|===============================+======================+======================|
|   0  NVIDIA GeForce RTX 3060  Off  | 00000000:01:00.0  On |                  N/A |
| 30%   45C    P8    10W / 170W |    123MiB / 12288MiB |      0%      Default |
+-------------------------------+----------------------+----------------------+

这里有个关键信息：CUDA Version。它表示当前驱动支持的最高CUDA版本。比如上面显示12.0，意味着你可以装CUDA 12.0及以下的版本。

  重要： 驱动版本和CUDA Toolkit版本要匹配。别装了CUDA 12.0却用着只支持CUDA 11.x的驱动，那样会报错的。

2.2 安装CUDA Toolkit

驱动装好了，接下来装CUDA Toolkit。这个才是我们写CUDA代码要用到的工具集。

CUDA Toolkit包含：编译器（nvcc）、运行时库、开发工具、示例代码等等。

2.2.1 选择版本

我个人建议：选最新稳定版。但别追最新，稳定最重要。

怎么看哪个版本适合你？

先看 nvidia-smi 输出的CUDA Version
再看你的项目需求（比如PyTorch、TensorFlow对CUDA版本有要求）
最后看操作系统兼容性

举个例子：如果你的驱动显示CUDA Version: 12.0，那你可以装CUDA 12.0、11.8、11.7等。但不能装12.1，因为驱动不支持。

避坑指南： 我曾经在Ubuntu 20.04上装了CUDA 11.8，结果gcc版本太高不兼容。折腾了半天才发现CUDA 11.8需要gcc 9.x，而我系统默认是gcc 10。所以装之前先查一下兼容性列表。

2.2.2 下载与安装

去NVIDIA开发者官网下载CUDA Toolkit。选对操作系统和架构。

Windows安装：

下载exe安装包
双击运行，选自定义安装
建议只勾选「CUDA」组件，其他如Visual Studio Integration可以按需选
安装路径默认就行，别乱改

Linux安装（以Ubuntu为例）：

# 下载runfile
wget https://developer.download.nvidia.com/compute/cuda/12.0.0/local_installers/cuda_12.0.0_525.60.13_linux.run

# 运行安装
sudo sh cuda_12.0.0_525.60.13_linux.run

# 注意：安装时不要选驱动，因为我们已经装过了

嗯，这里要注意：Linux下安装时，安装程序会问你要不要装驱动。选No，因为我们已经装过了。不然可能会覆盖掉你刚装好的驱动，导致版本不匹配。

2.3 配置环境变量

装完了CUDA Toolkit，系统还不知道它在哪里。你得告诉系统：CUDA装在这儿了。

说白了就是配置环境变量。

2.3.1 Windows配置

右键「此电脑」→「属性」→「高级系统设置」→「环境变量」。

在系统变量里添加：

变量名	变量值
CUDA_PATH	C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.0
NVCC_PATH	%CUDA_PATH%\bin

然后在 Path 变量里添加：

%CUDA_PATH%\bin
%CUDA_PATH%\libnvvp

小技巧： 配置完环境变量后，最好重启一下命令行窗口。不然新加的变量不会生效。

2.3.2 Linux配置

编辑 ~/.bashrc 或 ~/.zshrc，在末尾添加：

export PATH=/usr/local/cuda-12.0/bin:$PATH
export LD_LIBRARY_PATH=/usr/local/cuda-12.0/lib64:$LD_LIBRARY_PATH
export CUDA_HOME=/usr/local/cuda-12.0

然后执行：

source ~/.bashrc

我习惯把 /usr/local/cuda 软链接到具体版本目录，这样切换版本时只需要改软链接就行。比如：

sudo ln -s /usr/local/cuda-12.0 /usr/local/cuda

这样环境变量里写 /usr/local/cuda 就行了，以后换版本只改软链接，不用改环境变量。

2.4 验证安装

环境配好了，怎么知道一切正常？

来，三步验证法：

2.4.1 检查nvcc编译器

nvcc --version

输出应该类似：

nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2023 NVIDIA Corporation
Built on Wed_Feb_15_21:33:19_PST_2023
Cuda compilation tools, release 12.0, V12.0.140
Build cuda_12.0.r12.0/compiler.32267302_0

看到版本号就对了。

2.4.2 编译示例代码

CUDA Toolkit自带了很多示例代码。我们找个最简单的来测试：

# 进入示例目录
cd /usr/local/cuda-12.0/samples/1_Utilities/deviceQuery

# 编译
make

# 运行
./deviceQuery

如果输出最后一行是 Result = PASS，说明一切正常。

  重点： 如果编译报错，先检查环境变量配没配对。我遇到过很多次，明明装了CUDA，但nvcc找不到，就是因为Path没加对。

2.4.3 写个简单的CUDA程序

来，咱们手写一个最简单的CUDA程序：

#include <stdio.h>

__global__ void hello_cuda() {
    printf("Hello from GPU!\n");
}

int main() {
    hello_cuda<<<1, 1>>>();
    cudaDeviceSynchronize();
    printf("Hello from CPU!\n");
    return 0;
}

保存为 hello.cu，然后编译运行：

nvcc hello.cu -o hello
./hello

如果看到：

Hello from GPU!
Hello from CPU!

恭喜你，CUDA开发环境搭建成功！

补充说明： 如果GPU没有输出，可能是你的显卡不支持CUDA（比如太老的卡），或者驱动没装好。用 nvidia-smi 再确认一下。

2.5 常见问题与解决

我整理了几个新手常遇到的问题，你遇到了可以直接对照：

问题	原因	解决方法
nvidia-smi 找不到	驱动没装好或Path没配	重装驱动，或把驱动目录加到Path
nvcc --version 报错	CUDA Toolkit没装或Path没配	检查CUDA_PATH和Path配置
编译示例代码报错	缺少依赖库或gcc版本不匹配	安装依赖库，或降级gcc版本
运行程序时GPU没输出	显卡不支持或驱动问题	用deviceQuery检查显卡状态

嗯，环境搭建这块就这些了。看起来步骤多，但熟练了也就十分钟的事。我第一次装的时候折腾了一下午，主要是Linux下驱动和Toolkit版本不匹配，反复卸载重装。后来学乖了，每次都先查兼容性列表。

📚 课程目录

2. 开发环境搭建：安装NVIDIA驱动、安装CUDA Toolkit、配置环境变量、验证安装

2.1 安装NVIDIA驱动

2.1.1 检查你的显卡

2.1.2 下载并安装驱动

2.1.3 验证驱动安装

2.2 安装CUDA Toolkit

2.2.1 选择版本

2.2.2 下载与安装

2.3 配置环境变量

2.3.1 Windows配置

2.3.2 Linux配置

2.4 验证安装

2.4.1 检查nvcc编译器

2.4.2 编译示例代码

2.4.3 写个简单的CUDA程序

2.5 常见问题与解决