第一步：准备工作与环境检查

在安装前，需要先确保你的电脑硬件和软件环境满足要求。

1. 检查GPU兼容性
   你需要一块来自NVIDIA的独立显卡。可以访问NVIDIA官网的CUDA GPU列表查询你的显卡型号是否支持CUDA。

2. 检查与更新NVIDIA显卡驱动

   • 查看当前驱动版本：在Windows搜索栏中输入“cmd”打开命令提示符，输入 nvidia-smi 并回车。“CUDA Version” 字段则代表当前驱动最高能支持的CUDA版本，不是你已安装的CUDA，如下图：

     【CUDA Version: 12.8】表示该显卡最高可安装CUDA 12.8的版本

     

   • 命令会返回一个信息表格，其中 “Driver Version” 字段显示了你的驱动版本号，“CUDA Version” 字段则代表当前驱动最高能支持的CUDA版本，不是你已安装的CUDA。

   • 更新驱动（如需）：如果驱动版本过低或不兼容，你需要访问 NVIDIA驱动下载页面下载并安装最新的显卡驱动。

第二步：安装CUDA Toolkit

CUDA是NVIDIA推出的并行计算平台和编程模型，是GPU加速的基础。

1. 确定并下载CUDA版本

   • 访问 CUDA Toolkit下载页面。

   • 版本选择是关键，我可以选择最高12.8的版本下载与安装

   • 

组件	是否勾选	解释
CUDA	✅ 勾选	包含 nvcc 编译器、libcudart.so、cublas 等开发用组件
NVIDIA GeForce Experience components	❌ 不勾选	属于消费级图形界面程序，无关 CUDA 编程
Other components	✅ 可选	如果你需要 Nsight、Profiler 工具
Driver components	❌ 不勾选	会降级或覆盖你当前对应的新显卡驱动！

1. 安装完成重启电脑

2. 配置环境变量
   安装程序通常会自动添加系统环境变量。为保险起见，建议手动检查：

   • 右键点击“此电脑” -> “属性” -> “高级系统设置” -> “环境变量”。

   • 在“系统变量”中找到并选中Path，点击“编辑”。

   • 再先查看系统环境变量是否有添加以下2个环境变量，没有则手动添加，确保其中包含以下两条CUDA的路径（请将vX.Y替换为你的实际版本号，如v12.8）：

     • 变量名：CUDA_PATH
变量值：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8
==============================
变量名：CUDA_PATH_V12_8
变量值：C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8

   • 如果没有，请点击“新建”手动添加。

第三步：安装cuDNN库

cuDNN是NVIDIA针对深度神经网络优化的GPU加速库。安装cuDNN前，必须确保CUDA已成功安装。

1. 下载cuDNN

   • 访问 cuDNN下载页面。

   • 这是最重要的一步：你必须下载与你的CUDA版本严格匹配的cuDNN版本。例如，如果你安装了CUDA 12.8，就必须下载对应CUDA 12.x系列的cuDNN。

   • 下载页面可能需要你登录（或注册）NVIDIA开发者账号。

2. “安装”cuDNN
   cuDNN的安装本质上就是将文件复制到CUDA的目录中。

   • 下载的文件是一个压缩包（如.zip格式），将其解压，你会看到 bin、include、lib 三个文件夹。

   • 打开你的CUDA安装目录（第二步中记住的路径，例如 C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.8）。

   • 将解压后 bin、include、lib 文件夹中的所有内容，分别复制（或拖放）到CUDA目录下对应的同名文件夹里。如果提示需要管理员权限或文件覆盖，选择同意即可。需要注意：之后重启电脑

   • ⚠️ 请注意：一个常见的错误是将cuDNN文件复制到了错误的子目录（如 compute-sanitizer），这会导致安装失败。请确保文件被复制到了CUDA根目录下的 bin、include、lib 文件夹。

第四步：验证安装

完成以上步骤后，请重启电脑，然后通过以下方法验证是否安装成功。

1. 验证CUDA

   • 打开新的命令提示符，输入 nvcc --version 并回车。

   • 如果成功安装，该命令将显示你安装的CUDA编译器（nvcc）的版本信息。

2. 验证cuDNN（通过Python/PyTorch）（不是开发的可以不用验证这一步）
   这是验证整个环境（CUDA + cuDNN）是否可用的最佳方式。

   • 打开命令提示符，依次运行以下命令：

   python -c “import torch; print(torch.cuda.is_available())”

   • 如果输出为 True，则恭喜你，你的PyTorch已经可以成功调用GPU进行加速了。

   • （可选）你也可以运行 python -c “import torch; print(torch.__version__)” 来查看PyTorch版本。

常见问题与解决方案

• 问题：安装CUDA时提示驱动版本不兼容

  • 解决：根据提示信息，前往NVIDIA官网下载并安装指定版本的显卡驱动。

• 问题：验证时 nvcc 命令无法识别

  • 解决：环境变量 Path 配置有误。请严格按照第二步中的说明，检查并添加正确的CUDA bin 目录路径。

• 问题：torch.cuda.is_available() 返回 False

  • 解决：

    1. 确认你的Python环境中安装的是支持CUDA的PyTorch版本（例如从PyTorch官网选择带有cuXXX标志的安装命令）。

    2. 回顾第三步，确认cuDNN文件是否正确复制到了CUDA目录下的对应文件夹。

    3. 检查CUDA和cuDNN的版本是否与PyTorch版本兼容。这是最常见的问题原因。

安装完成后，你就可以在支持GPU加速的框架（如PyTorch, TensorFlow）中尽情发挥显卡的算力了。如果在具体框架的使用中遇到问题，建议优先查阅其官方文档，以获取最准确的版本匹配信息。