1. 项目概述为什么CUDA和cuDNN的安装是深度学习的“第一道坎”如果你刚拿到一块NVIDIA显卡兴冲冲地想跑个Stable Diffusion或者训练一个Llama模型那么你大概率会卡在CUDA和cuDNN的安装上。这几乎是所有AI开发者和高性能计算入门者必经的“新手村Boss战”。表面上看这只是安装两个软件包但背后涉及驱动、编译器、运行时库、版本匹配等一系列环环相扣的组件。一个版本号对不上就可能让PyTorch或TensorFlow报出一堆你看不懂的错误比如“CUDA driver version is insufficient for CUDA runtime version”或者“Could not load dynamic library ‘cudnn64_8.dll’”。我见过太多人在这一步浪费数小时甚至数天时间。所以这篇内容不是一份简单的命令清单而是一份基于我多年在LinuxUbuntu/CentOS和Windows系统上反复折腾、踩坑后总结出的“避坑指南”。我会带你理解CUDA Toolkit和cuDNN到底是什么它们之间以及它们与显卡驱动、深度学习框架之间错综复杂的关系。更重要的是我会给出从系统检查、版本选择、到具体安装、环境配置、再到最终验证的完整可复现流程并附上那些官方文档不会告诉你的“骚操作”和常见问题排查实录。无论你是在Ubuntu 22.04/24.04、Windows 10/11还是在WSL2Windows Subsystem for Linux环境下都能找到对应的路径。2. 核心概念拆解CUDA Toolkit与cuDNN到底是什么关系在动手之前我们必须先理清几个核心概念否则你永远是在盲人摸象。2.1 CUDA ToolkitGPU的“编程语言”和“标准库”你可以把CUDACompute Unified Device Architecture理解为NVIDIA为自家GPU设计的一套“C语言方言”和庞大的标准函数库。它主要包含以下几个关键部分NVCC编译器这是CUDA的“心脏”。你的.cu源代码用C写的但包含GPU核函数需要通过nvcc这个特殊的编译器进行编译。它会将代码拆分成两部分在CPU上运行的“主机Host代码”和在GPU上运行的“设备Device代码”。CUDA运行时库Runtime API这是一套更高级、更易用的API。你在PyTorch或TensorFlow中调用的torch.cuda.is_available()其底层最终就是通过Runtime API与GPU通信。它负责管理GPU设备、内存、执行上下文等。CUDA驱动API这是更底层的接口Runtime API其实构建在它之上。通常我们不需要直接接触它。各类工具和库如性能分析器nvprof/nsight数学库cuBLAS、cuFFT等。关键点CUDA Toolkit的版本如11.8, 12.1, 12.4必须与你的NVIDIA显卡驱动版本兼容。驱动是操作系统和GPU硬件之间的桥梁而CUDA Toolkit是运行在驱动之上的开发环境。新版本的CUDA Toolkit往往需要更新版本的驱动来支持。2.2 cuDNN为深度学习定制的“加速库”cuDNNCUDA Deep Neural Network library是NVIDIA专门为深度学习神经网络操作打造的GPU加速库。它并不是一个独立的运行时而是CUDA Toolkit之上的一个“插件”或“增强包”。它的作用是将常见的深度学习层如卷积、池化、归一化、激活函数等实现为高度优化的、针对GPU架构调优的核函数。当TensorFlow或PyTorch需要执行一个卷积操作时它们会调用cuDNN中对应的函数而不是自己去写原始的CUDA代码这带来了巨大的性能提升。核心关系链深度学习框架PyTorch/TF → cuDNN → CUDA Runtime → NVIDIA Driver → GPU硬件。这是一个依赖链下层是上层的基础。2.3 版本兼容性矩阵一切错误的根源90%的安装问题都源于版本不匹配。你必须像一个侦探一样理清以下几个版本的对应关系显卡驱动 vs CUDA Toolkit版本NVIDIA官网有详细的兼容性表格。例如CUDA 12.x通常需要驱动版本525.60.13及以上。一个简单的记忆方法是CUDA主版本号如12发布后你需要安装该主版本号时期发布的新驱动。CUDA Toolkit vs cuDNN版本每个CUDA版本都有其兼容的cuDNN版本范围。通常cuDNN的版本号如8.9.x会明确说明其兼容的CUDA版本如for CUDA 12.x。不要跨大版本混用。深度学习框架 vs (CUDA, cuDNN)这是最复杂的一环。以PyTorch为例其官网的安装命令如pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cu121中的cu121就指定了它预编译时所依赖的CUDA 12.1环境。如果你系统里装的是CUDA 12.4通常可以向前兼容因为CUDA主版本相同运行时ABI兼容但这不是绝对的。TensorFlow的版本对应关系则更为严格其每个发布版本都会明确指定支持的CUDA和cuDNN版本。实操心得最稳妥的策略是“自上而下”确定版本。先确定你要用的深度学习框架版本例如某个项目要求PyTorch 2.3.0然后去该框架的官方安装说明页面查找它官方构建时使用的CUDA版本例如PyTorch 2.3.0支持CUDA 12.1。接着根据这个CUDA版本去安装对应的CUDA Toolkit和兼容的cuDNN。最后确保你的显卡驱动满足该CUDA Toolkit的最低要求。3. 安装前准备系统检查与驱动管理“工欲善其事必先利其器”。鲁莽地直接安装CUDA往往是灾难的开始。3.1 检查现有环境打开你的终端Linux/macOS或命令提示符/PowerShellWindows执行以下命令在Linux上# 1. 检查显卡型号和驱动版本 nvidia-smi这条命令是“圣旨”。它会输出类似以下的信息--------------------------------------------------------------------------------------- | NVIDIA-SMI 550.90.07 Driver Version: 550.90.07 CUDA Version: 12.4 | |------------------------------------------------------------------------------------- | GPU Name Persistence-M | Bus-Id Disp.A | Volatile Uncorr. ECC | | Fan Temp Perf Pwr:Usage/Cap | Memory-Usage | GPU-Util Compute M. | | | | MIG M. | || | 0 NVIDIA GeForce RTX 4090 Off | 00000000:01:00.0 On | N/A | | 0% 43C P8 22W / 450W | 4MiB / 24564MiB | 0% Default | | | | N/A | -------------------------------------------------------------------------------------请重点关注Driver Version和CUDA Version。这里显示的CUDA Version是你的驱动所能支持的最高CUDA运行时版本不代表你已经安装了该版本的CUDA Toolkit。在Windows上除了在命令行输入nvidia-smi你也可以通过右下角NVIDIA图标打开“NVIDIA控制面板” - “系统信息” - “组件”选项卡查看NVCUDA.DLL对应的产品名称那里会显示CUDA版本信息。3.2 处理旧版本干净的卸载如果你之前安装过CUDA为了避免冲突建议进行清理。在Windows上这是重灾区。Windows彻底卸载进入“控制面板” - “程序和功能”。找到所有名称中包含 “NVIDIA” 的程序尤其是 “NVIDIA Graphics Driver” “NVIDIA CUDA Toolkit 11.x” “NVIDIA CUDA Samples” “NVIDIA Nsight” “NVIDIA PhysX” 等。按特定顺序卸载先卸载所有CUDA Toolkit和CUDA Samples再卸载NVIDIA Graphics Driver。最后卸载其他NVIDIA组件如Nsight、PhysX。重启电脑。手动清理残留重要卸载程序通常不干净。你需要手动删除以下目录如果存在C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\C:\Program Files\NVIDIA Corporation\C:\Users\你的用户名\AppData\Local\NVIDIA\同时清理环境变量PATH、CUDA_PATH、CUDA_PATH_Vx_x中相关的条目。Linux彻底卸载# 如果你是用runfile安装的CUDA sudo /usr/local/cuda-X.Y/bin/cuda-uninstaller # 或者直接删除目录 sudo rm -rf /usr/local/cuda sudo rm -rf /usr/local/cuda-X.Y # X.Y是具体版本 # 如果你是用包管理器如apt安装的 sudo apt-get --purge remove *cuda* *cudnn* *nvidia* sudo apt autoremove3.3 安装/更新NVIDIA显卡驱动这是安装CUDA Toolkit的前提。方法有多种Linux以Ubuntu为例推荐方法添加官方PPA仓库稳定sudo add-apt-repository ppa:graphics-drivers/ppa sudo apt update ubuntu-drivers devices # 查看推荐驱动版本 sudo apt install nvidia-driver-550 # 安装推荐版本例如550重启系统。使用NVIDIA官方.run文件灵活但易出错从NVIDIA官网下载对应你显卡型号的驱动.run文件。进入文本模式CtrlAltF3关闭显示管理器sudo service gdm3 stop或sudo systemctl stop gdm然后运行sudo sh NVIDIA-Linux-x86_64-xxx.xx.run。此方法可以安装最新驱动但需要处理与内核模块的签名等问题。Windows推荐方法访问NVIDIA官网的“驱动程序下载”页面。手动选择你的显卡产品系列、型号和操作系统。下载类型选择“Game Ready Driver (GRD)”或“Studio Driver”。对于深度学习两者皆可Studio驱动可能对创意应用更稳定。点击下载并安装。安装时选择“自定义安装”并勾选“执行清洁安装”这有助于移除旧驱动设置。注意事项在Windows上如果你打算使用WSL2进行CUDA开发那么必须在Windows主机侧安装驱动WSL2内的Linux发行版会直接使用主机的驱动。WSL2内无需、也不应该安装NVIDIA驱动。4. 核心安装实战CUDA Toolkit与cuDNN部署现在进入核心环节。我将分平台、分场景讲解。4.1 场景一在原生LinuxUbuntu上安装步骤1确定并下载CUDA Toolkit访问 NVIDIA CUDA Toolkit Archive 页面。根据你之前确定的版本例如为PyTorch 2.3.0选择CUDA 12.1选择对应的操作系统和架构。对于Ubuntu通常有两种安装方式runfile (local)一个大的.run文件包含所有组件安装过程可定制化程度高。deb (network)通过包管理器安装方便后续更新管理但网络安装可能较慢。我通常推荐使用runfile方式因为它允许你选择不安装驱动如果你的驱动已经是最新且兼容的。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安装过程中的关键选择在提示安装驱动时如果你的驱动已经满足要求务必取消勾选Driver只保留CUDA Toolkit和Samples可选。这是避免驱动被错误覆盖的关键。接受许可协议使用默认安装路径/usr/local/cuda-12.1。步骤2配置环境变量安装完成后需要让系统知道CUDA的位置。# 编辑你的shell配置文件如 ~/.bashrc (对于bash) 或 ~/.zshrc (对于zsh) echo export PATH/usr/local/cuda-12.1/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.1/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc # 或者更推荐设置CUDA_HOME echo export CUDA_HOME/usr/local/cuda-12.1 ~/.bashrc echo export PATH${CUDA_HOME}/bin:${PATH} ~/.bashrc echo export LD_LIBRARY_PATH${CUDA_HOME}/lib64:${LD_LIBRARY_PATH} ~/.bashrc # 使配置立即生效 source ~/.bashrc步骤3验证CUDA安装# 检查nvcc编译器版本应与安装版本一致 nvcc --version # 编译并运行一个示例程序这是最可靠的验证 cd /usr/local/cuda-12.1/samples/1_Utilities/deviceQuery sudo make ./deviceQuery如果最后看到Result PASS恭喜你CUDA安装成功。步骤4安装cuDNNcuDNN的安装本质上是将几个头文件、库文件复制到CUDA的目录中。访问 NVIDIA cuDNN Archive 页面需要注册账号。下载与你CUDA版本匹配的cuDNN版本。对于Linux通常下载“Local Installer for Linux x86_64 (Tar)”这个压缩包。解压并复制文件# 假设下载的文件为 cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz tar -xvf cudnn-linux-x86_64-8.9.7.29_cuda12-archive.tar.xz cd cudnn-linux-x86_64-8.9.7.29_cuda12-archive sudo cp include/cudnn*.h /usr/local/cuda-12.1/include/ sudo cp lib/libcudnn* /usr/local/cuda-12.1/lib64/ sudo chmod ar /usr/local/cuda-12.1/include/cudnn*.h /usr/local/cuda-12.1/lib64/libcudnn*验证cuDNN安装较新版本cat /usr/local/cuda-12.1/include/cudnn_version.h | grep CUDNN_MAJOR -A 2或者通过Python快速验证需先安装cudnnpython包但这并非必须python3 -c import torch; print(torch.backends.cudnn.version())4.2 场景二在Windows上安装步骤1下载CUDA Toolkit安装程序从CUDA Toolkit Archive下载对应版本的Windows exe安装程序如cuda_12.1.0_531.14_windows.exe。步骤2运行安装程序运行exe文件它会先解压到临时目录如C:\Users\xxx\AppData\Local\Temp\CUDA。在安装选项界面再次强调选择“自定义”。在组件选择中取消勾选 “Visual Studio Integration”除非你确定需要且已安装对应VS版本否则极易出错。同样确保“Driver components”下的驱动版本与你已安装的驱动一致或更低如果不想动驱动可以取消勾选。主要勾选CUDA下的Runtime, Development, Documentation等。安装路径建议保持默认C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1。步骤3配置环境变量安装程序通常会帮你添加CUDA_PATH和CUDA_PATH_V12_1系统变量并将%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp添加到PATH。但最好检查一下右键“此电脑” - “属性” - “高级系统设置” - “环境变量”。在“系统变量”中确认CUDA_PATH和CUDA_PATH_V12_1存在并指向正确路径。在“系统变量”PATH中确认包含%CUDA_PATH%\bin和%CUDA_PATH%\libnvvp。步骤4验证安装打开一个新的命令提示符CMD或 PowerShellnvcc --version cd “C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\extras\demo_suite” .\bandwidthTest.exe .\deviceQuery.exe同样看到Result PASS即可。步骤5安装cuDNN for Windows从cuDNN Archive下载对应CUDA版本的Windows zip包如cudnn-windows-x86_64-8.9.7.29_cuda12-archive.zip。解压zip包你会看到bin,include,lib三个文件夹。将这三个文件夹内的内容分别复制到CUDA安装目录的对应文件夹中将解压路径\bin\cudnn64_8.dll复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\bin\将解压路径\include\cudnn*.h复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\include\将解压路径\lib\x64\cudnn*.lib复制到C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.1\lib\x64\无需额外配置环境变量因为DLL文件已在bin目录下会被自动找到。4.3 场景三在WSL2 (Ubuntu) 中安装这是目前非常流行的开发环境。关键点在于WSL2的Linux发行版直接使用Windows主机上安装的NVIDIA驱动。前提条件Windows 10/11 版本满足要求Win10 21H2以上Win11。已安装WSL2并设置了默认发行版如Ubuntu 22.04。在Windows主机侧已安装满足WSL CUDA要求的NVIDIA驱动版本470.xx建议安装最新版Game Ready或Studio驱动。步骤1在WSL2的Ubuntu中安装CUDA Toolkit由于驱动在主机WSL内只需安装CUDA Toolkit不含驱动。NVIDIA提供了专门的WSL CUDA Toolkit包。# 首先从官网获取对应WSL的CUDA仓库安装指令例如CUDA 12.4 # 通常类似以下步骤请以官网最新说明为准 wget https://developer.download.nvidia.com/compute/cuda/repos/wsl-ubuntu/x86_64/cuda-keyring_1.1-1_all.deb sudo dpkg -i cuda-keyring_1.1-1_all.deb sudo apt-get update sudo apt-get -y install cuda-toolkit-12-4注意包名可能是cuda-toolkit-12-4或cuda-12-4具体请参照NVIDIA官方WSL CUDA安装指南。步骤2配置环境变量与原生Linux类似将CUDA路径加入~/.bashrcecho export PATH/usr/local/cuda-12.4/bin${PATH::${PATH}} ~/.bashrc echo export LD_LIBRARY_PATH/usr/local/cuda-12.4/lib64${LD_LIBRARY_PATH::${LD_LIBRARY_PATH}} ~/.bashrc source ~/.bashrc步骤3验证在WSL2终端中运行nvidia-smi你应该能看到与Windows主机中相同的驱动和GPU信息。运行nvcc --version和deviceQuery进行验证。步骤4在WSL2中安装cuDNN方法与原生Linux完全相同。下载对应CUDA版本的cuDNN tar包解压并将头文件和库文件复制到WSL2中CUDA的安装目录如/usr/local/cuda-12.4/下即可。踩坑实录WSL2中一个常见问题是即使正确安装了CUDA ToolkitPyTorch也可能因为LD_LIBRARY_PATH设置问题找不到cuDNN。确保你的LD_LIBRARY_PATH包含了CUDA的lib64路径并且cuDNN的库文件已正确复制。有时需要重启WSL实例在PowerShell中运行wsl --shutdown然后重新打开。5. 深度学习框架集成验证安装完CUDA和cuDNN后最终目的是让深度学习框架能调用它们。5.1 PyTorch验证import torch print(fPyTorch版本: {torch.__version__}) print(fCUDA是否可用: {torch.cuda.is_available()}) print(f可用GPU数量: {torch.cuda.device_count()}) print(f当前GPU设备: {torch.cuda.current_device()}) print(fGPU设备名称: {torch.cuda.get_device_name(0)}) print(fcuDNN版本: {torch.backends.cudnn.version()}) print(fcuDNN是否启用: {torch.backends.cudnn.enabled}) # 做一个简单的张量运算测试 if torch.cuda.is_available(): x torch.randn(3, 3).cuda() y torch.randn(3, 3).cuda() z x y print(fGPU计算测试成功结果在: {z.device}) else: print(CUDA不可用请检查安装。)5.2 TensorFlow验证import tensorflow as tf print(fTensorFlow版本: {tf.__version__}) print(fGPU列表: {tf.config.list_physical_devices(GPU)}) # 更详细的GPU信息 from tensorflow.python.client import device_lib print(device_lib.list_local_devices()) # 测试GPU计算 if tf.config.list_physical_devices(GPU): print(TensorFlow GPU 支持已就绪。) with tf.device(/GPU:0): a tf.constant([[1.0, 2.0], [3.0, 4.0]]) b tf.constant([[5.0, 6.0], [7.0, 8.0]]) c tf.matmul(a, b) print(f矩阵乘法结果在GPU上计算:\n{c}) else: print(未检测到GPUTensorFlow将运行在CPU上。)6. 疑难杂症与深度排错指南即使按照步骤操作也可能会遇到各种问题。这里汇总了最常见的问题和解决方案。6.1 常见错误与解决方案错误信息/现象可能原因解决方案CUDA driver version is insufficient for CUDA runtime version显卡驱动版本过低不满足当前CUDA Toolkit的要求。升级显卡驱动到CUDA Toolkit要求的最低版本以上。使用nvidia-smi查看驱动版本去NVIDIA官网下载更新。Could not load dynamic library ‘cudnn64_8.dll’cuDNN的DLL文件未找到。1. 确认cuDNN文件已正确复制到CUDA的bin目录。2. 检查环境变量PATH是否包含CUDA的bin目录。3. 确认cuDNN版本与CUDA版本匹配。torch.cuda.is_available()返回FalsePyTorch无法检测到可用的CUDA环境。1. 运行python -c import torch; print(torch.version.cuda)查看PyTorch构建时的CUDA版本与系统安装的nvcc --version对比主版本号应一致。2. 检查环境变量CUDA_HOME,PATH,LD_LIBRARY_PATH是否正确设置。3. 尝试使用PyTorch官网提供的、明确对应你CUDA版本的pip安装命令重装PyTorch。No CUDA runtime is found系统找不到CUDA运行时库。1. 在Linux上检查LD_LIBRARY_PATH是否包含/usr/local/cuda/lib64。2. 在Windows上检查PATH是否包含%CUDA_PATH%\bin。3. 尝试重启终端或计算机。nvcc命令未找到CUDA的bin目录未加入PATH环境变量。按上文方法正确配置PATH环境变量并source配置文件或重启终端。WSL2中nvidia-smi报错或找不到命令Windows主机驱动未安装或版本太旧WSL2内核版本可能不兼容。1. 确保Windows主机安装了支持WSL2的NVIDIA驱动470。2. 在PowerShell中运行wsl --update更新WSL2内核。3. 运行wsl --shutdown重启WSL2。TensorFlow提示could not retrieve CUDA versionTensorFlow的CUDA相关库找不到或版本不匹配。1. 确认安装了与TensorFlow版本严格匹配的CUDA和cuDNN查看TF官网兼容性表。2. 检查cuDNN文件是否复制到正确位置。3. 尝试设置环境变量TF_CPP_MIN_LOG_LEVEL0查看更详细的错误日志。安装CUDA时提示“Visual Studio Integration失败”Windows上缺少对应版本的Visual Studio或组件。1. 最简单的办法在CUDA安装组件中取消勾选“Visual Studio Integration”。2. 如需集成请确保已安装对应版本的Visual Studio如VS2019/2022以及“使用C的桌面开发”工作负载。6.2 版本管理技巧多版本CUDA共存有时你需要同时维护多个项目它们依赖不同版本的CUDA。可以通过软链接灵活切换。在Linux上默认安装路径是/usr/local/cuda-11.8,/usr/local/cuda-12.1等。/usr/local/cuda是一个指向当前使用版本的软链接。# 查看当前cuda链接指向哪里 ls -l /usr/local/cuda # lrwxrwxrwx 1 root root 20 Oct 10 14:30 /usr/local/cuda - /usr/local/cuda-12.1 # 切换到CUDA 11.8 sudo rm /usr/local/cuda sudo ln -s /usr/local/cuda-11.8 /usr/local/cuda # 同时更新环境变量中的路径指向 export CUDA_HOME/usr/local/cuda # 或者直接指向具体版本 export PATH${CUDA_HOME}/bin:${PATH} export LD_LIBRARY_PATH${CUDA_HOME}/lib64:${LD_LIBRARY_PATH}将环境变量设置写入~/.bashrc并通过source ~/.bashrc或新开终端生效。在Windows上没有全局软链接主要通过环境变量CUDA_PATH和PATH来控制。你可以创建多个批处理文件.bat来切换环境。安装不同版本的CUDA到不同路径如C:\CUDA\v11.8和C:\CUDA\v12.1。创建switch_cuda_118.batecho off setx CUDA_PATH C:\CUDA\v11.8 setx PATH %CUDA_PATH%\bin;%PATH% echo Switched to CUDA 11.8. Please restart your terminal.创建switch_cuda_121.bat类似。以管理员身份运行对应的bat文件并重启命令行终端。注意setx是永久修改系统变量如果只想临时修改在终端内用set命令即可。6.3 性能调优与稳定性检查安装成功后为了获得最佳性能可以进行一些简单检查和设置设置GPU为持久模式Linux防止GPU在空闲时降频减少深度学习任务启动时的延迟。sudo nvidia-smi -pm 1监控GPU状态使用nvidia-smi -l 1可以每秒刷新一次GPU使用率、温度、显存占用等信息。测试GPU计算带宽运行CUDA Samples中的bandwidthTest程序确保GPU与主机内存之间的数据传输速率正常。在PyTorch中设置cuDNN基准对于固定输入尺寸的网络在训练开始时让cuDNN自动寻找最优算法可以加速训练。torch.backends.cudnn.benchmark True注意如果你的网络输入尺寸在训练过程中是变化的请将此选项设为False否则会导致每次迭代都重新寻找算法反而更慢。7. 总结与个人经验分享走完这一整套流程你应该已经成功搭建起了GPU计算环境。回顾整个过程最关键的其实就是三点版本匹配、环境变量、路径正确。我个人的习惯是在开始安装任何一个新框架或跑一个新项目之前先用一个简单的验证脚本就像第5部分提供的快速确认当前环境的CUDA、cuDNN、PyTorch/TensorFlow的版本是否在项目的兼容范围内这能避免很多后续的诡异错误。对于新手我强烈建议在Linux系统包括WSL2上进行深度学习开发因为Linux下的命令行操作和依赖管理比Windows更清晰、更一致社区支持也更好。如果必须在Windows上请务必使用“自定义安装”并仔细阅读每一步的选项。最后关于版本选择除非有特殊需求否则我建议选择当前主流深度学习框架官方预编译版本所支持的、相对较新的稳定版CUDA例如目前PyTorch和TensorFlow对CUDA 12.x支持都很好。不必一味追求最新版稳定和兼容性才是生产力。如果在安装过程中遇到本文未覆盖的奇怪问题善用错误信息去搜索引擎如Google、Stack Overflow查找你遇到的问题全世界很可能已经有无数开发者遇到并解决了。记住耐心和仔细阅读日志是解决技术问题的两大法宝。
)
