用到cuda比较多的是深度学习场景，那么大概率绕不开cudnn、pytorch等深度学习框架的部署，那么就要注意了，正所谓“你的cuda不只是你显卡的，还是cudnn和pytorch的”，这是因为cuda可不能两眼一抹黑就下载最新的，而是要看你的显卡驱动与cuda、pytorch与cuda的对应关系：

1.2.1 显卡驱动与cuda的对应关系：

一般是驱动版本决定了能用的CUDA版本的上限，比如新版的显卡驱动可以支持老的CUDA runtime。但是老的显卡可能无法更新到最新的显卡驱动，比如Fermi显卡只能装到391驱动，因此只能用到CUDA9.1。除此之外，显卡硬件与CUDA compute capability相关，当然编译时也可以指定streaming multiprocessor。新的架构支持更多特性就是了。

值得注意的是，每个版本的显卡驱动都有对应的CUDA Driver Version。显卡型号和CUDA Driver Version型号可以通过nvidia-smi查看，CUDA可以向下兼容，以我为例，可以安装12.1以下的版本：

更多版本关系看这里：

CUDA Toolkit	Linux x86_64 Driver Version	Windows x86_64 Driver Version
CUDA 11.6 Update 2	>=510.47.03	>=511.65
CUDA 11.6 Update 1	>=510.47.03	>=511.65
CUDA 11.6 GA	>=510.39.01	>=511.23
CUDA 11.5 Update 2	>=495.29.05	>=496.13
CUDA 11.5 Update 1	>=495.29.05	>=496.13
CUDA 11.5 GA	>=495.29.05	>=496.04
CUDA 11.4 Update 4	>=470.82.01	>=472.50
CUDA 11.4 Update 3	>=470.82.01	>=472.50
CUDA 11.4 Update 2	>=470.57.02	>=471.41
CUDA 11.4 Update 1	>=470.57.02	>=471.41
CUDA 11.4.0 GA	>=470.42.01	>=471.11
CUDA 11.3.1 Update 1	>=465.19.01	>=465.89
CUDA 11.3.0 GA	>=465.19.01	>=465.89
CUDA 11.2.2 Update 2	>=460.32.03	>=461.33
CUDA 11.2.1 Update 1	>=460.32.03	>=461.09
CUDA 11.2.0 GA	>=460.27.03	>=460.82
CUDA 11.1.1 Update 1	>=455.32	>=456.81
CUDA 11.1 GA	>=455.23	>=456.38
CUDA 11.0.3 Update 1	>= 450.51.06	>= 451.82
CUDA 11.0.2 GA	>= 450.51.05	>= 451.48
CUDA 11.0.1 RC	>= 450.36.06	>= 451.22
CUDA 10.2.89	>= 440.33	>= 441.22
CUDA 10.1 (10.1.105 general release, and updates)	>= 418.39	>= 418.96
CUDA 10.0.130	>= 410.48	>= 411.31
CUDA 9.2 (9.2.148 Update 1)	>= 396.37	>= 398.26
CUDA 9.2 (9.2.88)	>= 396.26	>= 397.44
CUDA 9.1 (9.1.85)	>= 390.46	>= 391.29
CUDA 9.0 (9.0.76)	>= 384.81	>= 385.54
CUDA 8.0 (8.0.61 GA2)	>= 375.26	>= 376.51
CUDA 8.0 (8.0.44)	>= 367.48	>= 369.30
CUDA 7.5 (7.5.16)	>= 352.31	>= 353.66
CUDA 7.0 (7.0.28)	>= 346.46	>= 347.62

1.2.2 pytorch与cuda的对应关系

pytorch与cuda的对应关系如下：

官网：Previous PyTorch Versions | PyTorch
CUDA Toolkit版本及可用PyTorch对应关系总结（参考官网）

CUDAToolkit版本	可用PyTorch版本
7.5	0.4.1 ，0.3.0， 0.2.0，0.1.12-0.1.6
8.0	1.1.0，1.0.0 ，0.4.1
9.0	1.1.0，1.0.1, 1.0.0，0.4.1
9.2	1.7.1，1.7.0，1.6.0，1.5.1，1.5.0，1.4.0，1.2.0，0.4.1
10.0	1.2.0，1.1.0，1.0.1 ,1.0.0
10.1	1.7.1，1.7.0，1.6.0，1.5.1，1.5.0， 1.4.0，1.3.0
10.2	1.12.1，1.12.0，1.11.0，1.10.1，1.10.0，1.9.1，1.9.0，1.8.1，1.8.0，1.7.1，1.7.0，1.6.0，1.5.1，1.5.0
11.0	1.7.1，1.7.0
11.1	1.8.0
11.3	1.12.1，1.12.0，1.11.0，1.10.1，1.10.0，1.9.1，1.9.0，1.8.1，1.8.0
11.6	1.13.1，1.13.0，1.12.1，1.12.0
11.7	1.13.1，1.13.0

cuda版本确定后，pytorch要依赖此cuda版本，因为pytroch安装跟cuda对应的，比如下图，torch1.11.0只适配cuda10.2、11.3；不适配cuda10.1等其他版本cuda。

而如果是你之后要用到YOLO的话，此时最好就得下载下来，看看其中的requirements.txt文件，其中也对pytorch版本提出了要求:

我这是 yolov5，其他版本的下载自己去github上拉就好。

2.cuda安装

CUDA toolkit下载

CUDA toolkit下载地址: CUDA Toolkit Archive | NVIDIA Developer

由于不确定最新版的cuda是否可以与pytorch兼容，而且最新的cuda在后续的深度学习中也容易出问题，毕竟在这套架构里并不是每一个软件都能跟cuda进行同步更新并保证可以适配，例如截止到2023年5月7日，cuda已经最新版本是12.1,但pytouch最新版本能够兼容的cuda只有11.8.

为保险起见，我们这里安装11.1的cuda，正如我上面所说，显卡驱动是能够向下兼容低版本的cuda.

2.1、访问CUDA官网、配置自己的下载安装包

因为要下载11.1，所以点击链接：CUDA Toolkit 11.6 Update 1 Downloads | NVIDIA Developer

之后，要找到CUDA之前的存档，具体流程看图：

2、安装

双击安装包，选择合适的路径，即可安装（要记住这个路径，因为可能要配置环境变量）。接下来的过程，用图说话。如果有其他分区，请勿装在C盘，下图只是演示说明。

如果先前进行了cuda的安装，现在要重新安装的，需要将之前的版本卸载之后重新安装，重新安装时不再选择自定义安装，而是选择精简安装。

若之前还未进行过cuda的安装，现在的安装选择自定义:

不要选Visual Studio Integration，即使选了也不能成功安装。

记住以下安装位置，tensorflow要求配置环境

重点提醒：一定要记住这个路径，把这个路径保留下来，后面我们还会用到！！！

安装完成后，鼠标右键此电脑->属性->高级系统设置->环境变量，查看系统变量即可看到红色框选的两项。

或者直接在电脑搜索编辑系统环境变量打开。

查看系统变量中是否添加了路径，如果没有需要自己添加。

2.3、配置环境变量（如果想在VS中使用CUDA就得进行这一步）

我们要是为VS配置CUDA，那就得将剩下的5个环境变量补齐。点击新建，分别输入变量名和变量值，点击确定。大家可以类比我的CUDA安装路径和环境变量的关系进行配置（不是照搬！不是照搬！不是照搬！）：%CUDA_PATH%代表的就是CUDA_PATH的路径，我的是C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1。


CUDA_SDK_PATH #变量名
 
C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1 #变量值
 
 
 
CUDA_LIB_PATH #变量名
 
%CUDA_PATH%\lib\x64 #变量值
 
 
 
CUDA_BIN_PATH #变量名
 
%CUDA_PATH%\bin #变量值
 
 
 
CUDA_SDK_BIN_PATH #变量名
 
%CUDA_SDK_PATH%\bin\win64 #变量值
 
 
 
CUDA_SDK_LIB_PATH #变量名
 
%CUDA_SDK_PATH%\common\lib\x64 #变量值

至此，CUDA的安装就完成了。

3、验证

3.1、查看CUDA版本

键盘win+R键，输入cmd，并回车，打开CMD命令框。输入如下命令：

nvcc --version

只要显示了CUDA的版本，就算成功了! （保险起见多验证几步）

3.2、查看CUDA的环境变量配置情况

键盘win+R键，输入cmd，并回车，打开CMD命令框。输入如下命令：

set cuda

如果没有进行步骤中2.3的变量添加的话，那么得到的界面信息应该是下面这样


C:\Users\as>nvcc --version
nvcc: NVIDIA (R) Cuda compiler driver
Copyright (c) 2005-2021 NVIDIA Corporation
Built on Mon_May__3_19:41:42_Pacific_Daylight_Time_2021
Cuda compilation tools, release 11.1, V11.1
Build cuda_11.1.r11.3/compiler.29920130_0
 
 
C:\Users\as>set cuda
CUDA_PATH=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1
CUDA_PATH_V11_3=C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v11.1

cuda安装成功！

参考文章：

https://blog.csdn.net/GenuineMonster/article/details/116596761

https://blog.csdn.net/RunAtWorld/article/details/124282176?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168337979916800211560390%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=168337979916800211560390&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_click~default-1-124282176-null-null.142^v86^insert_down1,239^v2^insert_chatgpt&utm_term=win10%E5%AE%89%E8%A3%85cuda&spm=1018.2226.3001.4187

声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/w/很楠不爱3/article/detail/128441